會議簡介

受制于自身數(shù)量和樣本獲取等原因，不同類別樣本數(shù)量分布自然地呈現(xiàn)出長尾現(xiàn)象，類別間樣本數(shù)量差異很大。深度學(xué)習(xí)模型往往在樣本豐富的類別上能夠取得較好的效果，而在樣本稀缺的類別上表現(xiàn)卻不盡如人意；而在自然界中，人類通?？梢酝ㄟ^很少數(shù)量的樣本完成各項(xiàng)分類識別任務(wù)。受此啟發(fā)，小樣本學(xué)習(xí)應(yīng)運(yùn)而生。本期我們邀請了來自清華大學(xué)的楊玉寬同學(xué)，介紹他在目標(biāo)檢測任務(wù)下小樣本學(xué)習(xí)方向的工作。

講者介紹

楊玉寬，2013級清華大學(xué)精儀系本科生，2017級清華大學(xué)類腦計算研究中心博士生，2019年~2020年在微軟亞洲研究院實(shí)習(xí)，研究方向?yàn)橛嬎銠C(jī)視覺，神經(jīng)網(wǎng)絡(luò)壓縮，脈沖神經(jīng)網(wǎng)絡(luò)，類腦計算等。

會議題目

綜合利用正、負(fù)樣本信息的小樣本目標(biāo)檢測

會議摘要

小樣本學(xué)習(xí)的目標(biāo)是利用樣本豐富類別（base classes）提取先驗(yàn)知識并將其推廣到弱監(jiān)督小樣本類別（novel classes）的新任務(wù)。本論文首次揭示了負(fù)樣本信息在小樣本目標(biāo)檢測的重要性，通過引入一種新的基于正負(fù)樣本信息的度量學(xué)習(xí)訓(xùn)練和推理框架NP-RepMet，提出綜合利用正樣本信息和負(fù)樣本信息進(jìn)行小樣本目標(biāo)檢測任務(wù)。實(shí)驗(yàn)表明，負(fù)樣本信息的加入能夠顯著提升小樣本目標(biāo)檢測性能，在ImageNet-LOC和Pascal VOC數(shù)據(jù)集上mAP能夠提升10%以上。

會議亮點(diǎn)

1、揭示了負(fù)樣本信息在小樣本目標(biāo)檢測中的重要性，建立了綜合利用正負(fù)樣本信息進(jìn)行小樣本目標(biāo)檢測的框架NP-RepMet；

2、基于度量學(xué)習(xí)設(shè)計了小樣本目標(biāo)檢測訓(xùn)練和推理機(jī)理，并建立了負(fù)樣本選取策略；

3、小樣本目標(biāo)檢測性能得到顯著提升，在ImageNet-LOC和Pascal VOC數(shù)據(jù)集上mAP能夠提升10%以上。

會議時間

2021年1月10日（周日）20:00-21:00? 線上直播

關(guān)注微信公眾號：人工智能前沿講習(xí)，對話框回復(fù)“SFFAI96”，獲取入群二維碼、PPT下載、推薦論文下載