BriefGPT - AI 论文速递
·
解耦 DETR 用于少样本目标检测
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种改进的FSOD模型来解决样本不均衡和特征传播不足的问题。通过解耦基类和少样本类的参数以及引入编码器和解码器之间的跳跃连接，构建一个统一解码器模块，能够动态融合解码器的中间层作为输出特征。实验结果显示，在PASCAL VOC和MSCOCO等常用数据集上，我们的模型在微调和元学习范式中稳定提升了5%到10%，并且超过了近期工作的最高得分。
🎯
关键要点
- 提出了一种改进的FSOD模型
- 解决样本不均衡和特征传播不足的问题
- 解耦基类和少样本类的参数
- 引入编码器和解码器之间的跳跃连接
- 构建统一解码器模块
- 动态融合解码器的中间层作为输出特征
- 在PASCAL VOC和MSCOCO等数据集上实验
- 模型在微调和元学习范式中提升了5%到10%
- 超过近期工作的最高得分
➡️
