小样本目标检测介绍

一 背景

目标检测主要任务是对图像中的目标进行分类和定位。现有的目标检测任务基于大量的标注的图像进行训练，限制了某些场景下的应用和推广。

例如，工业生产中缺陷样本一般难以收集，很难构建大规模的数据集。因此，需要在小样本条件下，实现对目标的检测，技术难度更具有挑战性。

二 主要思路

小样本目标检测方法主要基于传统的经典成熟的目标检测方法，借鉴小样本学习框架，构建针对小样本目标检测的解决方案。

除数据增强外，借助辅助数据集获取知识（如网络权重、学习方法等）的学习思路备受学术界的青睐。

如上图，辅助检测任务的类别被称为基础类，每一类样本数量比较充足。目标任务中的类别被称为新类，每一类样本数量很少，与基础类没有交集。

借助辅助数据集的条件下，小样本目标检测方法主要有三类：基于度量学习，基于模型改动，基于元学习

1 基于度量学习

（来源：Karlinsky L, Shtok J, Harary S, et al. Repmet: Representative-based metric learning for classification and few-shot object detection.CVPR, 2019: 5197-5206.）

基于度量学习的方法，主要在类别判断方面进行改进，利用目标任务的小规模训练集构建每一类别的若干代表，再利用测试样本与这些代表的远近关系判断类别。

2 基于模型改动

（来源：Chen H, Wang Y, Wang G, et al. Lstd: A low-shot transfer detector for object detection.AAAI, 2018.）

构建新的目标检测模型来解决小样本目标检测问题，如上图中利用背景抑制正则引导网络学习。

3 基于元学习

（来源：Wu X, Sahoo D, Hoi S C H. Meta-RCNN: Meta Learning for Few-Shot Object Detection. 2019.）

利用辅助数据集，构建大量的小样本目标检测任务，从这些辅助小样本检测任务中学习出有效的针对小样本目标检测的学习方法。

三 现有问题

１ 目前的小样本目标检测方法主要借鉴小样本分类的策略，针对小样本场景对目标定位方面的思考与改动较少。

２ 现有的方法泛化性能有待进一步提升，随小样本类别增加，识别效果下降明显。