少樣(yang)本(ben)目(mu)標(biao)檢(jian)測(ce)(ce)(ce)(ce)僅使用很少的(de)(de)(de)標(biao)注樣(yang)本(ben)對一個新(xin)類(lei)進行目(mu)標(biao)檢(jian)測(ce)(ce)(ce)(ce)。少樣(yang)本(ben)目(mu)標(biao)檢(jian)測(ce)(ce)(ce)(ce)主要(yao)基于傳(chuan)統(tong)的(de)(de)(de)、成熟的(de)(de)(de)目(mu)標(biao)檢(jian)測(ce)(ce)(ce)(ce)方法，并借鑒少樣(yang)本(ben)學(xue)習框(kuang)架，構建針對目(mu)標(biao)檢(jian)測(ce)(ce)(ce)(ce)的(de)(de)(de)少樣(yang)本(ben)解(jie)決方案。而現有的(de)(de)(de)少樣(yang)本(ben)目(mu)標(biao)檢(jian)測(ce)(ce)(ce)(ce)框(kuang)架大(da)多基于Faster R-CNN的(de)(de)(de)檢(jian)測(ce)(ce)(ce)(ce)器，并利用“特征重加權”進行逐類(lei)別的(de)(de)(de)元(yuan)學(xue)習。但(dan)這(zhe)類(lei)方法存在2個缺(que)點：
（1）基于Faster R-CNN的檢測(ce)器依(yi)賴于最(zui)初(chu)位置良好(hao)的候選區域，但(dan)通常對新類的區域建(jian)議質量很(hen)差；
（2）逐(zhu)類別特征重加權的模式忽視了類間的關聯性，而這種關聯性是目標檢測知(zhi)識從基類(base class)泛化(hua)至新類的重要信息來源。
為(wei)解(jie)決上(shang)述(shu)問題(ti)，南洋理工大學在讀博士張功杰等(deng)人首次將Transformer引入(ru)少樣本(ben)目標檢測，提出了(le)基于元學習(xi)的圖(tu)像級少樣本(ben)目標檢測框架Meta-DETR。
Meta-DETR首(shou)先將(jiang)目標定位(wei)和分類(lei)(lei)統一到一個(ge)模塊(kuai)(kuai)中，而不需要區(qu)域預測(ce)，這樣(yang)可以充分利用(yong)(yong)兩個(ge)任務之(zhi)(zhi)間(jian)的(de)(de)協同關系，避免由于區(qu)域預測(ce)所帶(dai)來的(de)(de)約束。接著，新設計了一個(ge)CAM模塊(kuai)(kuai)，有效利用(yong)(yong)類(lei)(lei)間(jian)相(xiang)(xiang)關性(xing)，減(jian)少誤分類(lei)(lei)，增強相(xiang)(xiang)似或(huo)相(xiang)(xiang)關類(lei)(lei)之(zhi)(zhi)間(jian)的(de)(de)泛化。
8月22日晚7點，「AI新青年講座」第150講邀請到新加坡南洋理工大學在讀博士張功杰參與，主講《基于元學習的圖像級少樣本目標檢測》。
150講
主題
基于元學習的(de)圖像級(ji)少樣本(ben)目(mu)標檢測
提綱
1、現有的少樣本目標檢測框架
2、基于Transformer的少樣本目標檢測框架Meta-DETR
3、利用圖像級元學習繞過低質量的新類別區域建議
4、用(yong)CAM模塊捕捉不(bu)同(tong)類別之間的關聯和區別
講者
張功杰，新加坡南洋(yang)理工(gong)大學在(zai)讀(du)博士，研究興(xing)趣(qu)為(wei)機(ji)器(qi)學習與計算(suan)機(ji)視(shi)覺(jue)，尤其關注目(mu)標(biao)檢測方向(xiang)與多(duo)(duo)模態預訓練方面(mian)的工(gong)作；已在(zai)多(duo)(duo)個頂(ding)級會議、期刊發(fa)表多(duo)(duo)篇論(lun)文。
課程信息
直播時間：8月22日19:00
直播地點(dian)：智東西公開課知識店(dian)鋪
