UniFS: Universal Few-shot Instance Perception with Point Representations

实例感知任务（目标检测、实例分割、姿态估计、计数）在视觉模型的工业应用中起着关键作用。由于监督学习方法需要高昂的标注成本，因此需要有效地从有限数量的标记示例中学习的少样本学习方法。现有的少样本学习方法主要集中在一组有限的任务上，这可能是因为设计一个能够以统一方式表示各种任务的通用模型存在挑战。本文提出了UniFS，一种通用的少样本实例感知模型，通过重新制定动态点表示学习框架，将广泛的实例感知任务统一起来。此外，我们提出了结构感知点学习（SAPL），以进一步增强表示学习，利用点之间的高阶结构关系。我们的方法对任务做出了最少的假设，但与高度专业化和优化的专家模型相比，它取得了有竞争力的结果。代码将很快发布。

本文旨在解决实例感知任务中标注成本高的问题，提出了一种适用于广泛实例感知任务的通用few-shot学习模型UniFS。

文章的关键思路是将实例感知任务转化为动态点表示学习框架，并提出了结构感知点学习（SAPL）来进一步增强表示学习。

UniFS模型适用于广泛的实例感知任务，且不需要对任务做太多的假设。实验结果表明，UniFS模型相比高度专业化和优化的专业模型具有竞争力，并且研究者将代码开源。

在实例感知领域，最近的相关研究包括Meta R-CNN, Few-shot Object Detection with Attention-RPN and Multi-relation Detector, Few-shot Object Detection via Feature Reweighting。