少样本目标检测仅使用很少的标注样本对一个新类进行目标检测。少样本目标检测主要基于传统的、成熟的目标检测方法，并借鉴少样本学习框架，构建针对目标检测的少样本解决方案。而现有的少样本目标检测框架大多基于Faster R-CNN的检测器，并利用“特征重加权”进行逐类别的元学习。但这类方法存在2个缺点：
（1）基于Faster R-CNN的检测器依赖于最初位置良好的候选区域，但通常对新类的区域建议质量很差；
（2）逐类别特征重加权的模式忽视了类间的关联性，而这种关联性是目标检测知识从基类(base class)泛化至新类的重要信息来源。
为解决上述问题，南洋理工大学在读博士张功杰等人首次将Transformer引入少样本目标检测，提出了基于元学习的图像级少样本目标检测框架Meta-DETR。
Meta-DETR首先将目标定位和分类统一到一个模块中，而不需要区域预测，这样可以充分利用两个任务之间的协同关系，避免由于区域预测所带来的约束。接着，新设计了一个CAM模块，有效利用类间相关性，减少误分类，增强相似或相关类之间的泛化。
8月22日晚7点，「AI新青年讲座」第150讲邀请到新加坡南洋理工大学在读博士张功杰参与，主讲《基于元学习的图像级少样本目标检测》。
150讲
主题
基于元学习的图像级少样本目标检测
提纲
1、现有的少样本目标检测框架
2、基于Transformer的少样本目标检测框架Meta-DETR
3、利用图像级元学习绕过低质量的新类别区域建议
4、用CAM模块捕捉不同类别之间的关联和区别
讲者
张功杰，新加坡南洋理工大学在读博士，研究兴趣为机器学习与计算机视觉，尤其关注目标检测方向与多模态预训练方面的工作；已在多个顶级会议、期刊发表多篇论文。
课程信息
直播时间：8月22日19:00
直播地点：智东西公开课知识店铺
