【标题】AFD-Net: Adaptive Fully-Dual Network for Few-Shot Object Detection 【作者团队】Longyao Liu, Bo Ma, Yulin Zhang, Xin Yi, Haozhi Li 【发表时间】2020/11/30 【论文链接】原文地址 【参考链接】 【推荐理由】 本文首次提出一种普适且有效的自适应完全对偶网络（AFD-Net）和自适应特征融合机制解决少样本目标检测问题。 少样本目标检测(FSOD)旨在学习一种能够快速适应以前未见过的物体的检测器，该检测器带有很少的注释示例，这是一项具有挑战性和高要求的工作。现有方法通过利用检测器中的共享组件(例如RoI头)执行分类和定位的子任务来解决该问题，但是很少有方法考虑两个子任务的嵌入空间中的偏好差异。本文仔细分析了FSOD的特点，并提出了一个一般的少样本检测器应考虑两个子任务的显式分解，并利用这两个子任务的信息来增强特征表示。最后，本文提出了一个简单而有效的自适应全对偶网络（AFD-Net），通过引入用于分离特征提取的双查询编码器和双重注意力生成器，以及用于分离模型重新加权的双重聚合器，来扩展更快的R-CNN。自发地，单独的的决策是通过R-CNN探测器实现的。此外，为了获得增强的特征表示，本文进一步引入自适应融合机制，以自适应地执行适合特定子任务的特征融合。在PASCAL VOC和MS COCO上进行的大量实验表明，本文提出的方法大幅度提高了新的技术性能，证明了其有效性和泛化能力。 图1：AFD-Net网络结构

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