少樣本目標(biāo)檢測僅使用很少的標(biāo)注樣本對(duì)一個(gè)新類進(jìn)行目標(biāo)檢測。少樣本目標(biāo)檢測主要基于傳統(tǒng)的、成熟的目標(biāo)檢測方法，并借鑒少樣本學(xué)習(xí)框架，構(gòu)建針對(duì)目標(biāo)檢測的少樣本解決方案。而現(xiàn)有的少樣本目標(biāo)檢測框架大多基于Faster R-CNN的檢測器，并利用“特征重加權(quán)”進(jìn)行逐類別的元學(xué)習(xí)。但這類方法存在2個(gè)缺點(diǎn)：
（1）基于Faster R-CNN的檢測器依賴于最初位置良好的候選區(qū)域，但通常對(duì)新類的區(qū)域建議質(zhì)量很差；
（2）逐類別特征重加權(quán)的模式忽視了類間的關(guān)聯(lián)性，而這種關(guān)聯(lián)性是目標(biāo)檢測知識(shí)從基類(base class)泛化至新類的重要信息來源。
為解決上述問題，南洋理工大學(xué)在讀博士張功杰等人首次將Transformer引入少樣本目標(biāo)檢測，提出了基于元學(xué)習(xí)的圖像級(jí)少樣本目標(biāo)檢測框架Meta-DETR。
Meta-DETR首先將目標(biāo)定位和分類統(tǒng)一到一個(gè)模塊中，而不需要區(qū)域預(yù)測，這樣可以充分利用兩個(gè)任務(wù)之間的協(xié)同關(guān)系，避免由于區(qū)域預(yù)測所帶來的約束。接著，新設(shè)計(jì)了一個(gè)CAM模塊，有效利用類間相關(guān)性，減少誤分類，增強(qiáng)相似或相關(guān)類之間的泛化。
8月22日晚7點(diǎn)，「AI新青年講座」第150講邀請(qǐng)到新加坡南洋理工大學(xué)在讀博士張功杰參與，主講《基于元學(xué)習(xí)的圖像級(jí)少樣本目標(biāo)檢測》。
150講
主題
基于元學(xué)習(xí)的圖像級(jí)少樣本目標(biāo)檢測
提綱
1、現(xiàn)有的少樣本目標(biāo)檢測框架
2、基于Transformer的少樣本目標(biāo)檢測框架Meta-DETR
3、利用圖像級(jí)元學(xué)習(xí)繞過低質(zhì)量的新類別區(qū)域建議
4、用CAM模塊捕捉不同類別之間的關(guān)聯(lián)和區(qū)別
講者
張功杰，新加坡南洋理工大學(xué)在讀博士，研究興趣為機(jī)器學(xué)習(xí)與計(jì)算機(jī)視覺，尤其關(guān)注目標(biāo)檢測方向與多模態(tài)預(yù)訓(xùn)練方面的工作；已在多個(gè)頂級(jí)會(huì)議、期刊發(fā)表多篇論文。
課程信息
直播時(shí)間：8月22日19:00
直播地點(diǎn)：智東西公開課知識(shí)店鋪
