用于泛化少样本目标检测的原型距离比率采样方法

《Pattern Recognition Letters》：Prototype Distance Ratio Sampling for Generalised Few Shot Object Detection

　　

Alessandro Lekkas|Marc Roper|Andrew Abel

• •
  通过比较多种少量样本学习方法，本文的研究表明，如果不适当地对梯度进行平均处理，梯度校正方法可能会损害泛化少量样本对象检测（GFSOD）的性能。
• •
  评估了几种不同的少量样本学习配置，包括改变基础采样限制和样本平衡方法，结果表明这些方法可以提高基础准确率和新颖准确率（AP）。
• •
  实验表明，根据样本与各自原型之间的绝对距离来选择基础样本可以提高基础准确率（AP），而使用样本与正确原型之间的距离比值可以在广泛使用的COCO数据集上进一步提高准确率。