少樣本目標檢測僅使用很少的標注樣本對一個新類進行目標檢測。少樣本目標檢測主要基于傳統的、成熟的目標檢測方法，并借鑒少樣本學習框架，構建針對目標檢測的少樣本解決方案。而現有的少樣本目標檢測框架大多基于Faster R-CNN的檢測器，并利用“特征重加權”進行逐類別的元學習。但這類方法存在2個缺點：
（1）基于Faster R-CNN的檢測器依賴于最初位置良好的候選區域，但通常對新類的區域建議質量很差；
（2）逐類別特征重加權的模式忽視了類間的關聯性，而這種關聯性是目標檢測知識從基類(base class)泛化至新類的重要信息來源。
為解決上述問題，南洋理工大學在讀博士張功杰等人首次將Transformer引入少樣本目標檢測，提出了基于元學習的圖像級少樣本目標檢測框架Meta-DETR。
Meta-DETR首先將目標定位和分類統一到一個模塊中，而不需要區域預測，這樣可以充分利用兩個任務之間的協同關系，避免由于區域預測所帶來的約束。接著，新設計了一個CAM模塊，有效利用類間相關性，減少誤分類，增強相似或相關類之間的泛化。
8月22日晚7點，「AI新青年講座」第150講邀請到新加坡南洋理工大學在讀博士張功杰參與，主講《基于元學習的圖像級少樣本目標檢測》。
150講
主題
基于元學習的圖像級少樣本目標檢測
提綱
1、現有的少樣本目標檢測框架
2、基于Transformer的少樣本目標檢測框架Meta-DETR
3、利用圖像級元學習繞過低質量的新類別區域建議
4、用CAM模塊捕捉不同類別之間的關聯和區別
講者
張功杰，新加坡南洋理工大學在讀博士，研究興趣為機器學習與計算機視覺，尤其關注目標檢測方向與多模態預訓練方面的工作；已在多個頂級會議、期刊發表多篇論文。
課程信息
直播時間：8月22日19:00
直播地點：智東西公開課知識店鋪
