论文标题：MM-FSOD: Meta and metric integrated few-shot object detection 论文链接：https://arxiv.org/abs/2012.15159 作者单位：北京航空航天大学 本框架将度量学习和元学习相集成以解决Few-shot目标检测任务，表现SOTA！性能优于FSOD、MPSR（ECCV 2020）等网络。

在目标检测任务中，CNN（卷积神经网络）模型在训练过程中始终需要大量带注释的示例。为了减少昂贵的注释的依赖性，few-shot目标检测已成为越来越多的研究重点。在本文中，我们提出了一个有效的目标检测框架（MM-FSOD），该框架将度量学习和元学习相集成以解决few-shot的目标检测任务。我们的模型是与类无关的检测模型，可以准确地识别训练样本中未出现的新类别。具体来说，为了快速学习新类别的特征而无需微调过程，我们提出了一种元表示模块（MR模块）来学习类内均值原型。通过元学习方法对MR模块进行训练，以获得重建高级特征的能力。为了进一步实现支持原型与查询RoIs功能之间的功能相似性，我们提出了用作分类器的Pearson度量模块（PR模块）。与以前常用的度量方法相比，余弦距离度量。 PR模块使模型能够将特征对齐到判别性嵌入空间中。我们对基准数据集FSOD，MS COCO和PASCAL VOC进行了广泛的实验，以证明该模型的可行性和效率。与以前的方法相比，MM-FSOD获得了最新技术（SOTA）结果。

内容中包含的图片若涉及版权问题，请及时与我们联系删除