4 q. O, d) K6 c% R0 h' A% g0 ~ n1 N& m; o" @: y
https://github.com/ebennequin/FewShotVision0 b3 X2 j9 C" ]/ ]$ \
6 y1 B% D7 E! X4 J' m1 U5 R1 p , v* A* [( M! i7 W- x2 N 8 t& Z: x$ _/ c: x ' W+ |5 H9 O6 G4 [9 \ I 6 k @- j. T X0 C o( Q S2 z3 I+ r- ]* O# C y5 @3 H
小样本解决方法进阶1 `2 G1 H' V# x j- {" x: L8 k+ J( e
迁移学习如何,利用在数据集ImageNet上预训练好的模型,迁移到小样本上进行微调?1 H3 l+ J A; k
/ ~( i: ~" p! E8 I+ m4 U2 l- \
* C: d0 I) C3 p. Y J! O$ v$ F0 L答:仍然存在跨域问题,但考虑到ImageNet上的数据集可能包含的知识丰富,可以尝试。" O! d" Q4 n8 y- X
& g. X$ p M* w* }4 N& b
# N. T" h& M* w! X方法一:针对COCO数据集中包含小目标的图片数量少的问题,使用过采样OverSampling策略。- ?' E# e& E* u4 v
方法二:针对同一张图片里面包含小目标数量少的问题,在图片内用分割的Mask抠出小目标图片再使用复制粘贴的方法(当然,也加上了一些旋转和缩放,另外要注意不要遮挡到别的目标)。' `/ V) u' l. T7 O0 ?
% U! j. M7 r4 ]2 Q
+ Q; h+ x+ |1 y
% r3 U9 {6 k, g0 O t
& z6 f) n! [9 Z' P
0 m, M7 ?2 U$ f. F8 s# _8 k$ ~# G6 B
2.传统的图像金字塔和多尺度滑动窗口检测 ( w/ x$ F& j5 n- i+ u& C最开始在深度学习方法流行之前,对于不同尺度的目标,大家普遍使用将原图build出不同分辨率的图像金字塔,再对每层金字塔用固定输入分辨率的分类器在该层滑动来检测目标,以求在金字塔底部检测出小目标;或者只用一个原图,在原图上,用不同分辨率的分类器来检测目标,以求在比较小的窗口分类器中检测到小目标。著名的人脸检测器[MTCNN](Joint Face Detect ion and Alignment using Multi-task Cascaded Convolutional Networks)中,就使用了图像金字塔的方法来检测不同分辨率的人脸目标。& L8 Q/ d* t0 v' G8 D
7 ~$ q5 n. h8 K) B " U- x8 o1 y! H! p$ |- O" [! [: J( y X
# }- P9 E5 O' O" t- v* A: R
/ x x9 X* H7 j6 C3 n5 Y/ ~
0 N* ~0 k' R5 w总结0 I( R" Z. O% D
在本文中,我们已经弄清楚了什么是Few-Shot Learning,有哪些 FSL 变体和问题解决方法,以及可以使用哪些算法来解决图像分类和目标检测 FSL 任务。2 H8 W7 u; @. c- I* B' J. P
8 m5 d) }4 h. y" [6 _' `
( M9 q8 ]) }% K1 u% d' JFew-Shot Learning 是一个快速发展和有前途的领域,但仍然非常具有挑战性和未经研究,还有很多工作要做、研究和开发。4 ~" b( M7 K# l6 ` _
———————————————— + b1 S. E: H. H& t9 l. S版权声明:本文为CSDN博主「cv君」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。 # K+ O+ K% N6 M6 z+ W- `原文链接:https://blog.csdn.net/qq_46098574/article/details/118255956 ! I, z: A X7 U3 h& i! `1 F m+ O3 N9 B9 W. k! a+ \- {+ J4 M |; G