論文：A Survey of Self-Supervised and Few-Shot Object Detection

project

作者：Gabriel Huang, Issam Laradji, David Vazquez, Simon Lacoste-Julien, Pau Rodriguez

機構：Université de Montréal

摘要：標記數據通常是昂貴和耗時的，特別是對于目標檢測和實例分割等任務，這需要密集的圖像標記。雖然少樣本目標檢測是關于用很少的數據在新的(看不見的)目標類上訓練模型，但它仍然需要在許多標記的基類(見)的示例上進行預訓練。另一方面，自監督方法旨在從未標記的數據中學習表示，這些數據可以很好地轉移到下游任務，如目標檢測。將少樣本和自監督目標檢測相結合是一個很有前景的研究方向。在這個綜述中，我們回顧和描述了最近的方法在少樣本和自監督的目標檢測。然后，我們給出了主要的結論，并討論了未來的研究方向。

文中所有目標檢測方法分類：

在 PASCAL VOC 和 MS COCO 數據集上的方法結果對比：

在未標注的 ImageNet 上預訓練的自監督目標檢測方法比較：

---

我們對今年發布的計算機視覺領域的技術綜述都進行了匯總和分類盤點，并持續更新在我們的Github。

另外推薦大家關注極市平臺公眾號，每天都會更新最新的計算機視覺論文解讀、綜述盤點、調參攻略、面試經驗等干貨~

總結

以上是生活随笔為你收集整理的蒙特利尔大学发布2021年最新自监督小样本检测综述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。