基于知识迁移的增量式小样本物体检测代码

作为机器学习中的一个具有挑战性的问题，增量式少样本目标检测（iFSD）的目标是在保留先前知识的情况下，增量地检测具有极少示例的新类别。在这里，我们提出了两个基于以下观察的模型：当新的记忆出现时，大脑中的记忆细胞之间会创建新的连接。第一个模型称为多类别头（MCH）模型，模拟了人类如何添加新的记忆连接，即每当出现新的类别时，都会添加一个分类分支来预测新的分类。而第二个模型称为双通道多类别头（BPMCH）模型，它添加了一个新的主干网络，该网络的权重是用基类别主干网络的权重初始化的，以将更多基类别的知识转移到新类别。考虑到准确性和速度，我们选择了全卷积单阶段目标检测（FCOS）+ 自适应训练样本选择（ATSS）检测器作为我们的基线。我们的模型首先在具有丰富示例的基类别上进行训练，然后在具有极少示例的新类别上进行微调，这不仅保留了从基类别学到的知识，还将这些知识传递给新类别。大量实验表明，我们的模型在COCO和PASCAL VOC上明显优于最先进的模型ONCE。