ECEA: 用于小樣本目標檢測的可擴展共存注意力 本文提出一個可擴展共存注意力 (ECEA) 模塊，使模型能夠根據(jù)局部部分推斷全局對象，在小樣本目標檢測任務上性能表現(xiàn)SOTA 小樣本目標檢測(FSOD)從極少數(shù)帶注釋的樣本中識別目標。最近，大多數(shù)現(xiàn)有的 FSOD 方法都應用兩階段學習范式，它將從豐富的基類中學到的知識遷移到通過學習全局特征來輔助小樣本檢測器。 然而，現(xiàn)有的 FSOD 方法很少考慮對象從局部到全局的定位。受FSOD訓練數(shù)據(jù)稀缺的限制，新類的訓練樣本通常會捕獲部分對象，導致此類FSOD方法在測試過程中無法檢測到完全不可見的對象。 為了解決這個問題，我們提出了一個可擴展共存注意力(ECEA) 模塊，使模型能夠根據(jù)局部部分推斷全局對象。 本質上，所提出的模塊不斷學習具有豐富樣本的基礎階段的可擴展能力，并將其轉移到新階段，這可以幫助少樣本模型快速適應將局部區(qū)域擴展到共存區(qū)域。 具體來說，我們首先設計一種可擴展的注意力機制，該機制從局部區(qū)域開始，并將注意力擴展到與給定局部區(qū)域相似且相鄰的共存區(qū)域。 然后，我們在不同的特征尺度上實現(xiàn)可擴展的注意力機制，以逐步發(fā)現(xiàn)不同感受野中的完整對象。對 PASCAL VOC 和 COCO 數(shù)據(jù)集的大量實驗表明，盡管某些區(qū)域未能出現(xiàn)在訓練樣本中，但我們的 ECEA 模塊可以幫助小樣本檢測器完全預測目標，并與現(xiàn)有 FSOD 方法相比達到了新的最先進水平。

論文地址：ECEA: 用于小樣本目標檢測的可擴展共存注意力 需要進論文創(chuàng)新點群的，關注我私信我，進論文創(chuàng)新點群?