小样本目标检测总结1

1 主要方法

小样本学习的主流思路都是利用辅助数据集，迁移特征提取、定位、分类等相关知识到目标域，以便在目标任务上利用小样本也能获取较好的识别效果

文献报道的实验，针对新类，选择相关的类别作为基类，以构成更有效果的知识迁移，下表对相关文献中基类与新类关系进行统计

已有的文献基本上在相似的类别上做知识迁移，以获得更好的效果

2 小样本与大样本检测比较

分别列出基于Pascal VOC、MS-COCO数据集上的识别结果对比。对于Pascal VOC，小样本检测已取得不错效果；而对于检测难度较大的COCO数据集（41%小目标），基于小样本的检测效果明显弱于大样本，还有很大的提升空间。

3 小结

（1）由于训练样本较少，算法侧更注重知识或规则的引入，如特征选择、背景抑制、弱监督的使用

（2）引入传统机器学习方法，如度量学习、典型表示学习等

（3）现有工作较少，相关顶会论文<10篇

4 参考文献

[1] Kang B, Liu Z, Wang X, et al. Few-shot object detection via feature reweighting[C]//Proceedings of the IEEE International Conference on Computer Vision. 2019: 8420-8429.

[2] Karlinsky L, Shtok J, Harary S, et al. RepMet: Representative-based metric learning for classification and few-shot object detection.CVPR, 2019: 5197-5206.

[3] Wu X, Sahoo D, Hoi S C H. Meta-RCNN: Meta Learning for Few-Shot Object Detection. 2019.

[4] Chen H, Wang Y, Wang G, et al. LSTD: A low-shot transfer detector for object detection[C]//Thirty-Second AAAI Conference on Artificial Intelligence. 2018.

[5] Ren S, He K, Girshick R, et al. Faster r-cnn: Towards real-time object detection with region proposal networks[C]//Advances in neural information processing systems. 2015: 91-99.

[6] Liu W, Anguelov D, Erhan D, et al. Ssd: Single shot multibox detector[C]//European conference on computer vision. Springer, Cham, 2016: 21-37.