FSCE

1. Motivation

本研究以基于微调的策略为核心展开

• 在本项研究中，我们识别并解决了基于微调方法存在的关键缺陷——即持续将新样本错误归类为易混淆类别，并在此基础上提升了少样本检测的性能，使其达到当前最先进的水平（SOTA）

2. Contribution

引入对比学习机制。

• 本文提出了一种名为Few-Shot object detection via Contrastive proposals Encoding (FSCE)的方法，该方法基于微调策略，结构简洁但效果显著，适用于小样本目标检测任务。
• 在将基础检测器迁移至小样本新数据时，我们通过增加一个对比分支来增强RoI头部功能，该对比分支用于评估不同目标建议编码之间的相似性。
• 对比建议编码（CPE）损失函数，

3. Methods