Share

新方法通过语义掩码和分层回归增强少样本目标检测

研究人员开发了一种新颖的少样本目标检测方法，该技术能够用最少的标记示例识别新的目标类别。该方法解决了现有基于原型的相似性学习中的两个关键限制：类别混淆和用于精确定位的空间细节不足。通过引入文本锚定语义掩码（TSMa）和阶段对齐分层自回归回归（SHARe）组件，该系统提高了类间相似性边界并跨多个阶段优化了边界框预测。在COCO数据集上的实验显示出显著的改进，达到了新的最先进性能。