SFFAI 96 目标检测专题

会议简介

受制于自身数量和样本获取等原因，不同类别样本数量分布自然地呈现出长尾现象，类别间样本数量差异很大。深度学习模型往往在样本丰富的类别上能够取得较好的效果，而在样本稀缺的类别上表现却不尽如人意；而在自然界中，人类通常可以通过很少数量的样本完成各项分类识别任务。受此启发，小样本学习应运而生。本期我们邀请了来自清华大学的杨玉宽同学，介绍他在目标检测任务下小样本学习方向的工作。

讲者介绍

杨玉宽，2013级清华大学精仪系本科生，2017级清华大学类脑计算研究中心博士生，2019年~2020年在微软亚洲研究院实习，研究方向为计算机视觉，神经网络压缩，脉冲神经网络，类脑计算等。

会议题目

综合利用正、负样本信息的小样本目标检测

会议摘要

小样本学习的目标是利用样本丰富类别（base classes）提取先验知识并将其推广到弱监督小样本类别（novel classes）的新任务。本论文首次揭示了负样本信息在小样本目标检测的重要性，通过引入一种新的基于正负样本信息的度量学习训练和推理框架NP-RepMet，提出综合利用正样本信息和负样本信息进行小样本目标检测任务。实验表明，负样本信息的加入能够显著提升小样本目标检测性能，在ImageNet-LOC和Pascal VOC数据集上mAP能够提升10%以上。

会议亮点

1、揭示了负样本信息在小样本目标检测中的重要性，建立了综合利用正负样本信息进行小样本目标检测的框架NP-RepMet；

2、基于度量学习设计了小样本目标检测训练和推理机理，并建立了负样本选取策略；

3、小样本目标检测性能得到显著提升，在ImageNet-LOC和Pascal VOC数据集上mAP能够提升10%以上。

会议时间

2021年1月10日（周日）20:00-21:00  线上直播

关注微信公众号：人工智能前沿讲习，对话框回复“SFFAI96”，获取入群二维码、PPT下载、推荐论文下载