内容纲要

文章链接:http://openaccess.thecvf.com/content_ICCV_2019/papers/Wang_Meta-Learning_to_Detect_Rare_Objects_ICCV_2019_paper.pdf

算法创造性的将检测分成两块,一块是与目标类别无关的参数,一块是与目标类别有关的参数。

meta-training:首先用large数据集来训练Category-agnostic parameters 和 Category- specific parameters,左下角那一虚线框。然后使用Few-shot images流程那块,Category-agnostic parameters与下方的Category-agnostic parameters一样,Category- specific parameters通过Weight prediction meta-model 拟合(transformation)得到下方的Category- specific parameters。其中,表示下方的Category- specific parameters,表示上方的Category- specific parameters,表示元学习的参数。

meta-testing:在testing阶段,虚线框里的Category- specific parameters和Category-agnostic parameters和training里的一样,框外的Category- specific parameters随机初始化,然后通过元学习,拟合到框内的Category- specific parameters。

总体感觉,思路创新,但是也有不足,因为参数是拟合到faster rccn的参数,所以算法的上限最多不会超过faster rcnn的上限。其次,faster rcnn的参数训练也需要大量的sample,在实际应用中也是一个局限。

最后修改日期: 2020年2月25日

作者

留言

撰写回覆或留言

发布留言必须填写的电子邮件地址不会公开。