Key points are not available for this paper at this time.
Les avancées récentes dans la détection d'objets sont principalement motivées par l'apprentissage profond avec des références de détection à grande échelle. Cependant, l'ensemble de données d'entraînement entièrement annoté est souvent limité pour une tâche de détection cible, ce qui peut détériorer les performances des détecteurs profonds. Pour relever ce défi, nous proposons dans cet article un nouveau détecteur de transfert à faible nombre d'échantillons (LSTD), où nous exploitons des connaissances riches du domaine source pour construire un détecteur cible efficace avec très peu d'exemples d'entraînement. Les principales contributions sont décrites comme suit. Tout d'abord, nous concevons une architecture profonde flexible de LSTD pour atténuer les difficultés de transfert dans la détection à faible nombre d'échantillons. Cette architecture peut intégrer les avantages de SSD et Faster RCNN dans un cadre profond unifié. Deuxièmement, nous introduisons un cadre d'apprentissage par transfert régularisé novateur pour la détection à faible nombre d'échantillons, où les régularisations de connaissance de transfert (TK) et de dépression de fond (BD) sont proposées pour tirer parti des connaissances sur les objets respectivement des domaines source et cible, afin d'améliorer davantage l'affinement avec peu d'images cibles. Enfin, nous examinons notre LSTD sur un certain nombre d'expériences de détection à faible nombre d'échantillons difficiles, où LSTD surpasse d'autres approches à la pointe de la technologie. Les résultats montrent que LSTD est un détecteur profond préférable pour les scénarios à faible nombre d'échantillons.
Chen et al. (Sun,) ont étudié cette question.