2024深度学习发论文&模型涨点之——小样本学习+目标检测

首先要理解概念。小样本并非代检测目标区域比较小，而是训练数据较少。

小样本目标检测是一种在有限的训练数据下，训练出具有较高实用性和泛化能力的模型的技术。它结合了小样本学习和目标检测的优势，特别适用于那些获取大规模高质量标注数据困难的领域，例如医学图像分析。

小样本图像目标检测是传统目标检测技术与小样本学习技术的融合。主流方法是使用一些trick对一般的目标检测网络进行修改，包括但不限于预训练–微调、数据增强、网络修改、样本匹配策略、损失函数修改等。

小编整理了一些小样本目标检测【论文】合集，需要的同学公人人人号【AI创新工场】领取全部。

论文精选论文1：

FEW-SHOT LEARNING WITH PRE-TRAINED LAYERS INTEGRATION APPLIED TO HAND GESTURE RECOGNITION FOR DISABLED PEOPLE

应用于残疾人手势识别的预训练层集成的少样本学习方法

• 少样本学习方法：提出了一种新方法，通过少量样本训练手势分类器，适应残疾人特有的手势特征。

• 预训练网络的细调：使用预训练深度网络的细调段作为手势分类器，利用已有的手部图像数据集进行训练。

• 双模块框架：构建了一个包含基础特征学习器和手部检测器的双模块框架，第一模块用于手部检测，第二模块用于手势分类。

• 卷积层的重用：通过重用手部检测器特征提取器的卷积层，构建一个浅层CNN，用于手势分类。

 

创新点

• 个性化手势识别：针对残疾人独特的手势特点，提出了个性化的手势识别方法，能够适应不同个体的需求。

• 高效的少样本学习：通过少样本学习技术，显著提高了在样本稀缺情况下的手势识别准确率。

• 模块化设计：双模块设计使得手部检测和手势分类可以独立优化，提高了系统的灵活性和适应性。

• 预训练模型的有效利用：展示了如何有效利用预训练模型的特征提取能力，减少了对大量标注数据的依赖。

添加图片注释，不超过 140 字（可选）

论文2：

Evaluating the Energy Efficiency of Few-Shot Learning for Object Detection in Industrial Settings

评估工业环境中少样本学习的能效方法

• 模型微调策略：提出了一种微调策略，通过适应标准对象检测模型以减少训练时间和能耗。

• 能效评估：对不同微调策略下模型的能耗进行了全面评估，使用了三个工业环境的基准数据集。

• 效率因子度量：引入了一种新的效率因子度量，量化模型性能与能耗之间的权衡。

• 多样本学习：在少样本学习的背景下，探讨了如何有效利用有限的训练样本进行对象检测。

添加图片注释，不超过 140 字（可选）

创新点

• 绿色AI的应用：强调了在工业环境中实现可持续和高效的AI解决方案的重要性，推动了绿色AI的发展。

• 微调方法的比较：系统比较了不同微调方法对模型性能和能效的影响，为未来的研究提供了参考。

• 新颖的效率因子：通过效率因子的引入，提供了一种新的方式来综合评估模型的性能和能效。

• 工业数据集的应用：在实际工业环境中应用少样本学习，展示了其在资源有限的情况下的有效性和适用性。

添加图片注释，不超过 140 字（可选）

论文3：

Few-shot Oriented Object Detection with Memorable Contrastive Learning in Remote Sensing Images

遥感图像中具有记忆对比学习的少样本定向目标检测方法

• 定向边界框（OBB）：代替传统的水平边界框（HBB），以更好地学习任意方向航空物体的特征表示，提高检测性能。

• 记忆对比学习（MCL）模块：引入监督对比学习模块，动态更新记忆库，使用大量负样本增强模型学习未见类别的判别特征。

• 面向少样本的目标检测任务（FSOOD）：提出了一个新的任务，即用有限的标注样本预测未见类别的OBB。

• 两阶段训练策略：在基础训练阶段使用大量基础类别数据训练模型，在微调阶段使用少量基础和新类别的标注样本进一步训练模型。

添加图片注释，不超过 140 字（可选）

创新点

• 定向边界框（OBB）的应用：首次在遥感图像的少样本设置中解决定向目标检测问题，提高了对任意方向目标的检测精度。

• 记忆对比学习（MCL）模块：通过从对比学习中获取的洞见，增强模型在只有少量标注样本的情况下学习区分性特征的能力。

• 面向少样本的目标检测任务（FSOOD）：提出了一个新的任务定义，专注于用少量标注样本预测未见类别的OBB，这对于实际应用中的快速适应新目标类别具有重要意义。

• 两阶段训练策略：通过冻结骨干网络参数，仅训练其他模块，简化了训练过程并提高了模型对新类别的适应能力。

添加图片注释，不超过 140 字（可选）

论文4：

Few-Shot Learning for Misinformation Detection Based on Contrastive Models

基于对比模型的少样本虚假信息检测方法

• 对比学习：利用对比学习进行自监督模型训练，通过点积图形匹配同时提取文本和图像特征。

• 图像-文本匹配训练：使用预训练的Mask-RCNN作为目标检测骨干，通过数据增强和编码器学习图像和文本的匹配。

• 最大间隔损失函数：通过最大化匹配标题的相似度并最小化随机标题的相似度，训练模型以识别图像和标题的匹配程度。

• 跨训练和联合训练：探索了分别优化对比学习损失和匹配损失的跨训练方法，以及同时优化两种损失的联合训练方法。

添加图片注释，不超过 140 字（可选）

创新点

• 自监督模型：提出了一种基于对比学习的自监督模型，用于在标签数据受限的情况下进行虚假信息检测。

• 同时特征提取：通过对比学习同时提取文本和图像特征，增强了模型在视觉特征提取方面的能力，减少了对训练数据的需求。

• 图像-文本匹配训练：通过预训练的变换器基础的通用句子编码器（USE）和额外的文本编码器，提高了图像和文本匹配的准确性。

• 跨训练和联合训练：提出了跨训练和联合训练两种训练方法，以优化模型在不同损失函数下的性能，提高了模型的稳定性和效果。

添加图片注释，不超过 140 字（可选）