囿于数据少泛化性差PaddleDetec

目标检测是非常基础和重要的计算机视觉任务，在各行业有非常广泛的应用。然而，在很多领域的实际落地过程中，由于样本稀缺、标注成本高或业务冷启动等困难，难以训练出可靠的模型。

在目标检测这类较为复杂的学习任务上，样本不足带来的挑战更加棘手，因为模型复杂度高意味着对训练数据量有更高的要求，否则很容易导致模型过拟合。应对这类问题，一类常见的思路是迁移学习，即依赖资源丰富的源数据集或强大的预训练模型，为下游任务提供额外引导。而少样本学习是一类特殊的迁移学习任务，其针对的是每个标注类型仅有几十甚至几个样本的情况。

为了解决这个问题，飞桨联合百度研究院大数据实验室，发布两种少样本迁移学习的新算法，从不同角度应对标注不足的挑战，提升模型学习效果。

▎跨领域LabelCo-tuning算法

该方法的主要思路是充分利用预训练模型的语义空间，挖掘其与下游任务的关联，计算出类别之间的关系作为下游任务的辅助语义标签，作为原始one-hot类别标签的补充。

▎领域内ContrastiveTuning算法

对比学习是一种通用的表征学习思路，可以学习样例级的判别特征，也可视为一种有效的数据增强策略。该算法针对目标检测的任务特性，实现patch级别的对比学习，以强化目标领域的表征学习效果。

快速体验

您可以下载PaddleDetection最新代码体验我们的算法。

转载请注明：http://www.jilinshizx.com/jldl/13884.html