Generalized few-shot object detection in remote sensing images

判别式 人工智能 计算机科学 目标检测 遥感 遗忘 光学(聚焦) 分类器(UML) 模式识别(心理学) 地理 语言学 光学 物理 哲学
作者
Tianyang Zhang,Xiangrong Zhang,Peng Zhu,Xiuping Jia,Xu Tang,Licheng Jiao
出处
期刊:Isprs Journal of Photogrammetry and Remote Sensing 卷期号:195: 353-364 被引量:22
标识
DOI:10.1016/j.isprsjprs.2022.12.004
摘要

Recently few-shot object detection (FSOD) in remote sensing images (RSIs) has drawn increasing attention. However, the current FSOD methods in RSIs merely focus on the detection performance of few-shot novel classes while ignoring the severe degradation of the base class performance. Generalized few-shot object detection (G-FSOD) aims to solve the FSOD problem without forgetting previous knowledge. In this paper, we focus on the G-FSOD in RSIs and propose a Generalized Few-Shot Detector (G-FSDet) that can learn novel knowledge without forgetting. Through the comprehensive analysis of each component in the detector, a novel efficient transfer-learning framework is presented as the foundation of our G-FSDet, which is more suitable for FSOD in remote sensing scenes. Considering the greater intra-class diversity and lower inter-class separability of geospatial objects, we design a metric-based discriminative loss to learn a more discriminative classifier in the few-shot fine-tuning stage. Furthermore, a representation compensation module is proposed to alleviate the catastrophic forgetting problem by decoupling the representation learning of previous and novel knowledge. Extensive experiments on DIOR and NWPU VHR-10.v2 datasets demonstrate that our proposed G-FSDet achieves competitive novel class performance with minor degradation in the base class, reaching state-of-the-art overall performance among all few-shot settings. The source code is available at (https://github.com/RSer-XDU/G-FSDet).
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
burno1112完成签到,获得积分10
刚刚
1秒前
科研通AI2S应助changyee采纳,获得10
2秒前
繁荣的柏柳完成签到,获得积分10
2秒前
大地完成签到,获得积分10
2秒前
Tonald Yang发布了新的文献求助10
4秒前
Henry完成签到,获得积分10
5秒前
ytong完成签到,获得积分10
5秒前
asenda完成签到,获得积分0
6秒前
CHN完成签到,获得积分20
6秒前
朴素访琴完成签到 ,获得积分10
7秒前
Akim应助飘逸的山柏采纳,获得10
7秒前
番茄炒蛋不要番茄le完成签到,获得积分10
8秒前
圆圈儿完成签到,获得积分10
12秒前
fat完成签到,获得积分10
13秒前
xyzlancet完成签到,获得积分10
13秒前
gao完成签到 ,获得积分10
13秒前
顷梦完成签到,获得积分10
15秒前
Orange应助兰东平采纳,获得10
15秒前
杂化轨道退役研究员完成签到,获得积分10
15秒前
changyee完成签到,获得积分10
15秒前
KEyanba完成签到,获得积分10
15秒前
Yippee完成签到,获得积分10
16秒前
美丽松鼠发布了新的文献求助10
19秒前
缘分完成签到,获得积分10
21秒前
liuweiwei完成签到 ,获得积分10
21秒前
吉吉国王完成签到 ,获得积分10
22秒前
行萱完成签到 ,获得积分10
23秒前
皮皮完成签到,获得积分20
23秒前
生动白开水完成签到,获得积分10
25秒前
cookie完成签到,获得积分10
26秒前
阿巴完成签到 ,获得积分10
26秒前
GD完成签到,获得积分10
26秒前
善良曲奇完成签到 ,获得积分10
28秒前
zzx完成签到,获得积分10
28秒前
不过尔尔完成签到 ,获得积分10
28秒前
老迟到的土豆完成签到 ,获得积分10
29秒前
wjswift完成签到,获得积分10
30秒前
zy大章鱼完成签到,获得积分10
30秒前
bill应助胡质斌采纳,获得10
30秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
叶剑英与华南分局档案史料 500
Foreign Policy of the French Second Empire: A Bibliography 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3146969
求助须知:如何正确求助?哪些是违规求助? 2798221
关于积分的说明 7827159
捐赠科研通 2454808
什么是DOI,文献DOI怎么找? 1306480
科研通“疑难数据库(出版商)”最低求助积分说明 627788
版权声明 601565