开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

对于一个有62个类的目标检测模型，我应该取多少个训练样本？

对于一个有62个类的目标检测模型，确定训练样本数量的最佳方法是根据每个类别的数据分布和模型的复杂性来决定。以下是一些常见的方法和考虑因素：

数据分布：每个类别的数据分布可能不均衡，某些类别可能具有更多的样本，而其他类别可能只有很少的样本。在确定训练样本数量时，应该考虑到每个类别的数据量，以确保模型能够充分学习到每个类别的特征。
模型复杂性：模型的复杂性也会影响所需的训练样本数量。较复杂的模型通常需要更多的样本来学习模型的参数和特征表示。简单的模型可能只需要较少的样本就能取得良好的效果。
数据增强：数据增强是一种常用的技术，通过对训练样本进行旋转、缩放、平移、翻转等操作，可以扩充训练数据的数量。通过数据增强，可以减少对大量训练样本的需求。

综合考虑以上因素，建议至少为每个类别准备几十到几百个训练样本。如果某些类别的数据分布较少，可以考虑使用数据增强技术来扩充样本数量。此外，还可以使用迁移学习等技术来利用已有的预训练模型，从而减少对大量训练样本的需求。

对于腾讯云相关产品，可以考虑使用腾讯云的机器学习平台AI Lab（https://cloud.tencent.com/product/ai-lab）来进行目标检测模型的训练和部署。AI Lab提供了丰富的机器学习工具和算法，可以帮助开发者快速构建和训练模型，并提供了高性能的推理服务，支持在云端进行实时的目标检测任务。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

[Intensive Reading]目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

03

小样本目标检测研究综述

【导读】大家好，我是泳鱼。一个乐于探索和分享AI知识的码农！今天给大家带来一篇关于小样本目标检测的研究综述。本文从小样本目标检测任务和问题、学习策略、检测方法、数据集与实验等角度出发，对当前小样本目标检测的研究成果加以梳理和总结。希望这篇文章能对你有所帮助，让你在学习和应用AI技术的道路上更进一步！

03

ECCV18 | 如何正确使用样本扩充改进目标检测性能（附Github地址）

众所周知，在计算机视觉识别任务中，对训练样本进行增广是非常重要的，可以减少过拟合、改进模型泛化性能。

02

目标检测中的尺度--An Analysis of Scale Invariance in Object Detection – SNIP

本文提出了一种用于目标检测的多尺度特征融合网络，该网络能够同时学习不同尺度的特征，并且能够在任意图像分辨率上进行预测。该网络采用了一种新颖的采样策略，可以有效地利用不同尺度的特征，并在测试时自动调整特征图大小。实验结果表明，该方法能够有效地提高目标检测的准确率和召回率，同时保持较高的运行效率。

06

Improved Object Categorization and Detection Using Comparative Object Similarity

由于在现实世界中物体的固有长尾分布，我们不太可能通过为每个类别提供许多视觉示例来训练一个目标识别器/检测器。我们必须在目标类别之间共享视觉知识，以便在很少或没有训练示例的情况下进行学习。在本文中，我们证明了局部目标相似信息(即类别对是相似的还是不同的)是一个非常有用的线索，可以将不同的类别联系在一起，从而实现有效的知识转移。关键洞见:给定一组相似的目标类别和一组不同的类别，一个好的目标模型应该对来自相似类别的示例的响应比来自不同类别的示例的响应更强烈。为了利用这种依赖于类别的相似度正则化，我们开发了一个正则化的核机器算法来训练训练样本很少或没有训练样本的类别的核分类器。我们还采用了最先进的目标检测器来编码对象相似性约束。我们对来自Labelme数据集的数百个类别进行的实验表明，我们的正则化内核分类器可以显著改进目标分类。我们还在PASCAL VOC 2007基准数据集上评估了改进的目标检测器。

05

【目标检测基础积累】常用的评价指标

由于目标检测(Object Detection)主要需要解决“是什么？和在哪里？”这两大问题，即对给定图像中的所有存在的目标，每个目标都要给出类别信息（是什么？）和位置信息（在哪里？）。这个位置信息通常用一个外接矩形框（俗称bounding box）来表示。因此，目标检测的性能度量方法要比图像分类任务复杂得多。本文我们来为大家介绍一下目标检测算法里常用的一些评价指标。

02

新目标检测框架 | 基于改进的one-shot的目标检测

计算机视觉研究院专栏作者：Edison_G 目前在目标检测方面的进展依赖于大规模的数据集来获得良好的性能。然而，在许多场景下可能并不总是有足够的样本，从而导致当前基于深度学习的目标检测模型的性能下降。长按扫描二维码关注我们一、简要为了克服上述的问题，有研究者提出了一种新的one-shot条件检测框架(OSCD)。给予一个含有target object的support image和query image作为输入，OSCD可以在查询图像中检测属于目标对象类别的所有目标。具体来说，OSCD由一个Siam

03

NWD-Based Model | 小目标检测新范式，抛弃IoU-Based暴力涨点(登顶SOTA)

小目标在许多现实世界的应用中无处不在，包括驾驶辅助、大规模监控和海上救援。尽管由于深度神经网络的发展，目标检测取得了显著的进展，但大多数都是用于检测正常大小的目标。而小目标(AI-TOD数据集中小于像素)往往表现出极其有限的外观信息，增加了识别特征的学习难度，导致小目标检测失败的案例非常多。

04

TTFNet | 提高训练效率的实时目标检测

现在目标检测器很少能同时实现训练时间短，推理速度快，精度高。为了达到平衡，作者就提出了Train-Friendly Network(TTFNet)。作者从light-head, single-stage, and anchor-free设计开始，这使得推理速度更快。然后作者重点缩短训练时间。

03

【CNN调参】目标检测算法优化技巧

目标检测模型相比于分类模型的研究相比，更缺少普遍性，并且网络结构和优化目标更加复杂。

03

A Unified Multi-scale Deep Convolutional Neural Network

提出了一种用于快速多尺度目标检测的统一深度神经网络，即多尺度CNN (MS-CNN)。MS-CNN由建议子网络和检测子网络组成。在建议子网中，在多个输出层进行检测，使感受野匹配不同尺度的对象。这些互补的尺度特异性探测器被结合起来产生一个强大的多尺度目标探测器。通过优化多任务损失，实现了统一网络的端到端学习。此外，还探讨了反卷积特征上采样作为输入上采样的一种替代方法，以减少内存和计算成本。最先进的目标检测性能，高达15帧每秒，是报告的数据集，如KITTI和Caltech，包含大量的小目标。

02

Object Detection R-CNN

3788字13图，预计阅读需要23分钟红色华诞68周年 National Day of the People's Republic of China 作者：张旭编辑：李文臣 R-CNN

理解AdaBoost算法

与随机森林一样，Boosting算法也是一种集成学习算法，随机森林和集成学习在SIGAI之前的公众号文章“随机森林概述”中已经介绍。Boosting的分类器由多个弱分类器组成，预测时用每个弱分类器分别进行预测，然后投票得到结果；训练时依次训练每个弱分类器，每个弱分类器重点关注被前面的弱分类器错分的样本。弱分类器是很简单的分类器，它计算量小且精度不用太高。

04

TTFNet | 最大程度提高训练效率的实时目标检测（附源码）

现在目标检测器很少能同时实现训练时间短，推理速度快，精度高。为了达到平衡，作者就提出了Train-Friendly Network(TTFNet)。作者从light-head, single-stage, and anchor-free设计开始，这使得推理速度更快。然后作者重点缩短训练时间。

01

提高训练效率的实时目标检测（附源码）

现在目标检测器很少能同时实现训练时间短，推理速度快，精度高。为了达到平衡，作者就提出了Train-Friendly Network(TTFNet)。作者从light-head, single-stage, and anchor-free设计开始，这使得推理速度更快。然后作者重点缩短训练时间。

02

什么是MAP？理解目标检测模型中的性能评估

【导读】近日，机器学习工程师Tarang Shah发布一篇文章，探讨了机器学习中模型的度量指标的相关问题。本文首先介绍了机器学习中两个比较直观和常用的度量指标：精确度和召回率，然后详细讲解了目标检测领

05

Object Detection系列（一） R-CNN

本文介绍了R-CNN的目标检测算法，包括其背景、原理、优缺点以及改进。R-CNN在目标检测领域具有划时代的意义，但其训练和测试时间较长，且需要手动设计区域候选框。针对这些缺陷，后续算法进行了改进，使目标检测性能得到进一步提升。

06

深度学习目标检测(object detection)系列（一） R-CNN

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/chaipp0607/article/details/78112861

03

DEEP DOMAIN ADAPTIVE OBJECT DETECTION: A SURVEY

基于深度学习的目标检测获得了很大的方法。这些方法基本上假定可以获得大规模的训练标签，训练和测试数据服从理想的分布。然而这两个假设在实际中通常不满足。深度域适配目标检测做为一种新的学习范式开始出现，来解决上述问题。这篇文章旨在对最先进的域适配目标检测方法进行综述。首先，我们简要介绍域适配的概念。第二，深度域适配检测器可以分为四类，并提供了每个类别中有代表性的方法的详细说明。最后给出了将来的研究趋势。

02

理解AdaBoost算法

与随机森林一样，Boosting算法也是一种集成学习算法，随机森林和集成学习在SIGAI之前的公众号文章“随机森林概述”中已经介绍。Boosting的分类器由多个弱分类器组成，预测时用每个弱分类器分别进行预测，然后投票得到结果；训练时依次训练每个弱分类器，每个弱分类器重点关注被前面的弱分类器错分的样本。弱分类器是很简单的分类器，它计算量小且精度不用太高。

00

一文梳理水下目标检测方法汇总

在目标检测的应用领域，水下目标检测目前仍然还是一个具有挑战的领域，本文总结了水下目标检测的关键问题、相关论文以及一些比赛的开源方案，希望对大家有帮助。

02

深度学习检测小目标常用方法汇总

在深度学习目标检测中，特别是人脸检测中，小目标、小人脸的检测由于分辨率低，图片模糊，信息少，噪音多，所以一直是一个实际且常见的困难问题。不过在这几年的发展中，也涌现了一些提高小目标检测性能的解决手段，本文对这些手段做一个分析、整理和总结。

03

目标检测之R-CNN系列综述

上几期我们讲过目标检测 One-Stage 的代表 YOLOv3 本来这一期是打算写 SSD（One-Stage 的另一个代表）的，发现 SSD 其中涉及的知识是从 R-CNN（Two-Stage）来的，故此。这一期我们就来理理 R-CNN 系列的部分知识点，同样，我们会分为理论、体验和代码实战三期来进行讲解，今天就是理论部分。

01

YOLO新模型：助力智慧农业，一种改进的基于注意力机制和特征融合的茶叶病害检测模型

在茶树生长过程中，茶树病害对茶叶产量和品质有着重要影响。茶叶病害的形态和规模各不相同，病害靶标通常较小，茶叶病害的智能检测过程也容易受到生长区域复杂背景的干扰。此外，一些茶叶病害集中在整个茶叶区域，需要从全局信息中推断。常见的目标检测模型很难解决这些问题。

04

一文梳理水下目标检测方法汇总

水下目标检测旨在对水下场景中的物体进行定位和识别。这项研究由于在海洋学、水下导航等领域的广泛应用而引起了持续的关注。但是，由于复杂的水下环境和光照条件，这仍然是一项艰巨的任务。因此近年来有多个赛事与水下目标检测相关，接下来我们将介绍在水下目标检测领域的深度学习方法概述。

01

R-CNN 物体检测第一弹

今天，重读了 R-CNN 的 TPAMI 版本，感觉受益颇多。该版相比之前的会议版，在检测流程和实现细节上表述得更为清晰。此外，因为是改投 TPAMI 的关系，因此文中补充了很多额外的实验和分析，尤其是检测系统为什么最后设计成这样的缘由。接下来，我就简要记录一下这篇文章的主要思想和作者对检测的思考，也加入我个人的理解。缘起为了推动计算机视觉领域的研究进展，斯坦福大学的 Li Feifei 组根据 wordnet 的思想，建立了一个包罗了近乎海量图片的数据库ImageNet 。在那个 SVM 还异常火热的

06

迈向多模态AGI之开放世界目标检测 | 人工智能

目标检测是计算机视觉中的一个非常重要的基础任务，与常见的的图像分类/识别任务不同，目标检测需要模型在给出目标的类别之上，进一步给出目标的位置和大小信息，在CV三大任务（识别、检测、分割）中处于承上启下的关键地位。当前大火的多模态GPT4在视觉能力上只具备目标识别的能力，还无法完成更高难度的目标检测任务。而识别出图像或视频中物体的类别、位置和大小信息，是现实生产中众多人工智能应用的关键，例如自动驾驶中的行人车辆识别、安防监控应用中的人脸锁定、医学图像分析中的肿瘤定位等等。

02

YOLO算法

YOLO，全称为You Only Look Once: Unified, Real-Time Object Detection，是一种实时目标检测算法。目标检测是计算机视觉领域的一个重要任务，它不仅需要识别图像中的物体类别，还需要确定它们的位置。与分类任务只关注对象是什么不同，目标检测需要同时处理离散的类别数据和连续的位置数据。YOLO算法基于深度学习的回归方法，它将目标检测问题转化为一个回归问题，使用单个卷积神经网络（CNN）直接从输入图像预测边界框（bounding box）和类别概率。这种方法避免了传统目标检测算法中复杂的多阶段处理流程，如区域提议、特征提取等。

01

海康研究院出品：具有场景自适应概念学习的无监督目标检测（附论文下载）

关注并星标从此不迷路计算机视觉研究院 📷 📷 📷 公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 📷 论文地址：http://www.jzus.zju.edu.cn

01

深度学习经典网络解析：8.R-CNN

目标检测（Object Detection) 就是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，通俗点说就是给定一张图片要精确的定位到物体所在位置，并完成对物体类别的识别。其准确性和实时性是整个系统的一项重要能力。

03

Generalized Few-Shot Object Detection without Forgetting

近年来，少样本目标检测被广泛用于处理数据有限的情况。虽然大多数以前的工作仅仅集中在少样本类别的性能上，我们声称检测所有类别是至关重要的，因为测试样本可能包含现实应用中的任何实例，这需要少样本检测器在不忘记的情况下学习新概念。通过对基于迁移学习的方法的分析，利用一些被忽略但有益的性质，设计了一种简单而有效的少样本检测器——Retentive R-CNN。它由偏置平衡的局部概率神经网络和预处理的局部概率神经网络组成，并通过重检测器在不忘记先前知识的情况下找到少量的类目标。在少拍检测基准上的大量实验表明，在所有设置中，Retentive R-CNN在整体性能上明显优于最先进的方法，因为它可以在少样本类上获得有竞争力的结果，并且根本不会降低基类的性能。我们的方法已经证明了长期期望的永不遗忘学习者在目标检测中是可用的。

01

目标检测算法之SSD

昨天介绍了特征金字塔网络用于目标检测，提升了多尺度目标检测的鲁棒性，今天开始讲讲One-Stage目标检测算法中SSD算法。这个算法是我平时做工程中最常用到的，严格来说平时最常用的是Mobilenet做Backbone的SSD算法，因为要考虑到实际部署的时候的速度要求，不过原理都一样。

03

目标检测模型学习笔记

比起图像分类任务的数据扩增，目标检测的难点在于，要保持边界框和发生形变的图像之间的一致性 (Consistency) 。

01

17篇入选CVPR 2020，腾讯优图 9 篇精选论文详解

全球计算机视觉顶级会议CVPR2020 (IEEE Conference on Computer Vision and Pattern Recognition，即IEEE国际计算机视觉与模式识别会议) 即将于2020年6月14日-19日在美国西雅图召开。

02

新加坡国立大学&哈工大提出《Incremental-DETR》，基于自监督学习的增量 Few-Shot 目标检测，性能SOTA！

本文分享论文『Incremental-DETR: Incremental Few-Shot Object Detection via Self-Supervised Learning』，由新国立&哈工大提出 Incremental-DETR 进行基于自监督学习的增量 Few-Shot 目标检测，性能SOTA！

01

Scale Match：国科大提出小目标检测的尺度匹配方法，用于预训练数据集处理

今天分享一篇新出的论文 Scale Match for Tiny Person Detection，作者贡献了一个细小人物目标检测的数据集 TinyPerson，同时提出一种对预训练数据进行尺度调整的Scale Match（尺度匹配）的方法，显著改进了小目标检测。

02

综述总结：稀疏&集成的卷积神经网络学习

众所周知，当前是信息时代，信息的获得、加工、处理以及应用都有了飞跃发展。人们认识世界的重要知识来源就是图像信息，在很多场合，图像所传送的信息比其他形式的信息更丰富、真切和具体。人眼与大脑的协作使得人们可以获取、处理以及理解视觉信息，人类利用视觉感知外界环境信息的效率很高。事实上，据一些国外学者所做的统计，人类所获得外界信息有80%左右是来自眼睛摄取的图像。由此可见，视觉作为人类获取外界信息的主要载体，计算机要实现智能化，就必须能够处理图像信息。尤其是近年来，以图形、图像、视频等大容量为特征的图像数据处理广泛应用于医学、交通、工业自动化等领域。

02

【强基固本】深度学习检测小目标常用方法

“强基固本，行稳致远”，科学研究离不开理论基础，人工智能学科更是需要数学、物理、神经科学等基础学科提供有力支撑，为了紧扣时代脉搏，我们推出“强基固本”专栏，讲解AI领域的基础知识，为你的科研学习提供助力，夯实理论基础，提升原始创新能力，敬请关注。

01

稀疏&集成的卷积神经网络学习

今天主要和大家说的是分类检测过程中，一些稀疏和集成学习的相关知识，首先和大家说下图像目标定位与检测的方法分类。

02

稀疏&集成的卷积神经网络学习

今天主要和大家说的是分类检测过程中，一些稀疏和集成学习的相关知识，首先和大家说下图像目标定位与检测的方法分类。众所周知，当前是信息时代，信息的获得、加工、处理以及应用都有了飞跃发展。人们认识世界的重要知识来源就是图像信息，在很多场合，图像所传送的信息比其他形式的信息更丰富、真切和具体。人眼与大脑的协作使得人们可以获取、处理以及理解视觉信息，人类利用视觉感知外界环境信息的效率很高。事实上，据一些国外学者所做的统计，人类所获得外界信息有80%左右是来自眼睛摄取的图像。由此可见，视觉作为人类获取外界信息的主要载

05

【目标检测】开源 | CVPR2020|ATSS将最先进的检测器提高到50.7%的AP

近年来，anchor-based检测器一直是目标检测应用中的主流。由于FPN和Focal Loss的引入，近几年来anchor-free检测器成为人们的关注热点。本文首先指出anchor-based检测与anchor-free检测的本质区别是在于如何定义正训练样本和负训练样本，从而导致两者之间的性能差距。如果他们在训练中对正样本和负样本的定义是相同的，那么无论从一个anchor还是一个point回归，最终的表现都没有明显的差异。由此可见，如何选取正、负训练样本对当前目标检测是非常重要的。然后，本文提出了一种自适应训练样本选择(ATSS)，它能根据目标的统计特征自动选择正样本和负样本。它显著地提高了anchor-based和anchor-free检测器的性能，并弥补了两者之间的差距。最后，文中讨论了在图像上每个位置平铺多个anchor点来检测目标的必要性。在COCO数据集上进行的大量实验，验证了上述的分析和结论。通过新引入的ATSS，我们在不引入任何开销的情况下，将最先进的检测器大大提高到50.7%的AP。

02

【机器学习】如何解决数据不平衡问题

在机器学习的实践中，我们通常会遇到实际数据中正负样本比例不平衡的情况，也叫数据倾斜。对于数据倾斜的情况，如果选取的算法不合适，或者评价指标不合适，那么对于实际应用线上时效果往往会不尽人意，所以如何解决数据不平衡问题是实际生产中非常常见且重要的问题。

05

集成学习综述-从决策树到XGBoost

在之前缅怀金大侠的文章“永远的金大侠-人工智能的江湖”中提到：集成学习是机器学习中一种特殊的存在，自有其深厚而朴实的武功哲学，能化腐朽为神奇，变弱学习为强学习，虽不及武当和少林那样内力与功底深厚。其门下两个主要分支-Bagging和Boosting，各有成就，前者有随机森林支撑门面，后者有AdaBoost，GBDT，XGBoost一脉传承。门下弟子近年来在Kaggle大赛中获奖无数，体现了实用主义的风格，为众多习武之人所喜爱，趋之若鹜。

03

YOLO系列的落地 | YOLOv7+注意力机制在农业上的应用

随着技术的发展，监控设备在农业中发挥着巨大的作用。有多种方法可以监测个体动物的行为，例如插入芯片记录生理数据、使用可穿戴传感器和（热）成像技术。一些方法使用附着在鸟类脚上的可穿戴传感器来测量它们的活动，但这可能会对受监测的动物产生额外影响。特别是，在商业环境中，技术限制和高成本导致这种方法的可行性低。

02

迁移学习(Transfer Learning)的背景、历史及学习

在机器学习、深度学习和数据挖掘的大多数任务中，我们都会假设training和inference时，采用的数据服从相同的分布（distribution）、来源于相同的特征空间（feature space）。但在现实应用中，这个假设很难成立，往往遇到一些问题：

05

无需标注海量数据，目标检测新范式OVD让多模态AGI又前进一步

目标检测是计算机视觉中一个非常重要的基础任务，与常见的的图像分类 / 识别任务不同，目标检测需要模型在给出目标的类别之上，进一步给出目标的位置和大小信息，在 CV 三大任务（识别、检测、分割）中处于承上启下的关键地位。

01

带有注意力RPN和多关系检测器的小样本目标检测网络（提供源码和数据及下载）

传统的目标检测方法通常需要大量的训练数据，并且准备这样高质量的训练数据是劳动密集型的（工作）。在今天分享中，研究者提出了少量样本的目标检测网络，目的是检测只有几个训练实例的未见过的类别对象。新提出的方法核心是注意力RPN和多关系模块，充分利用少量训练样本和测试集之间的相似度来检测新对象，同时抑制背景中的错误检测。

02

ECCV 2022 | 首个快速知识蒸馏的视觉框架：ResNet50 80.1%精度，训练加速30%

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式论文和项目网址：http://zhiqiangshen.com/projects/FKD/index.html 代码：https://github.com/szq0214/FKD 计算机视觉研究院专栏作者：Edison_G 今天介绍一篇来自卡耐基梅隆大学等单位 ECCV 2022 的一篇关于快速知识蒸馏的文章，用基本的训练参数配置就可以把 ResNet-50 在 ImageN

01

机器学习中的目标函数总结

几乎所有的机器学习算法最后都归结为求解最优化问题，以达到我们想让算法达到的目标。为了完成某一目标，需要构造出一个“目标函数”来，然后让该函数取极大值或极小值，从而得到机器学习算法的模型参数。如何构造出一个合理的目标函数，是建立机器学习算法的关键，一旦目标函数确定，接下来就是求解最优化问题，这在数学上一般有现成的方案。如果你对最优化算法感兴趣，可以阅读SIGAI之前的公众号文章“理解梯度下降法”，“理解牛顿法”，“理解凸优化”，“机器学习中的最优化算法总结”。本文的侧重点是对目标函数的构造进行总结。

01

CVPR2020最佳检测 | 带有注意力RPN和多关系检测器的小样本目标检测网络

传统的目标检测方法通常需要大量的训练数据，并且准备这样高质量的训练数据是劳动密集型的（工作）。在本文中，我们提出了少量样本的目标检测网络，目的是检测只有几个训练实例的未见过的类别对象。我们的方法的核心是注意力RPN和多关系模块，充分利用少量训练样本和测试集之间的相似度来检测新对象，同时抑制背景中的错误检测。为了训练我们的网络，我们已经准备了一个新的数据集，它包含1000类具有高质量注释的不同对象。据我们所知，这也是第一个数据集专门设计用于少样本目标检测。一旦我们的网络被训练，我们可以应用对象检测为未见过的类，而无需进一步的训练或微调。我们的方法是通用的，并且具有广泛的应用范围。我们证明了我们的方法在不同的数据集上的定性和定量的有效性。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭