本文探讨了One-shot Learning在条件检测任务中的应用，通过引入贝叶斯条件概率理论，提出一种新的网络模型——条件RPN（C-RPN），该模型在测试阶段无需更新网络参数，克服了以往方法的遗忘问题。
本篇文章思路比较简单，作者认为，One-shot Learning只检测与query image相似的目标，是一种有条件的检测任务，适合引入贝叶斯条件概率理论。
网络的大致模型：
这种做法，作者认为有三个好处：
-
class agnostic
只计算原图和query image的相似性，并不关心query image的类别；
-
training-free
在测试阶段不需要更新网络参数
-
overcome forgetting
由于是metric learning，所以训练后的参数是固定的
网络的具体模型：
用于复现的话，可以看下面连个伪代码：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
