【论文标题】A Survey of Deep Learning for Low-Shot Object Detection

【作者团队】Qihan Huang, Haofei Zhang, Jie Song, Mingli Song

【发表时间】2021/12/06

【机 构】浙江大学

【论文链接】https://arxiv.org/abs/2112.02814v1

目标检测是计算机视觉和图像处理的一项基本任务。目前基于深度学习的目标检测器在丰富的标记数据下取得了很大的成功。但在现实生活中，并不能保证每个物体类别都有足够的标记样本用于训练。当训练数据有限时，这些大型物体检测器很容易过拟合。因此，有必要在物体检测中引入少次学习和零次学习，可以一起命名为低次目标检测。低次物体检测（LSOD）旨在从少数甚至零标记的数据中检测物体，它可以分为少次物体检测（FSOD）和零次目标检测（ZSD）。本文对基于深度学习的FSOD和ZSD进行了全面综述。首先，本文将FSOD和ZSD的方法分为不同类别，并讨论了它们的优点和缺点。其次，回顾了FSOD和ZSD的数据集设置和评估指标，然后分析了不同方法在这些基准上的表现。最后，讨论了FSOD和ZSD的未来挑战和有希望的方向。

对现状简单来说，目前的FSOD模型一般是由代表性的目标检测模型，如Faster RCNN、yolo等修改而成。这些大型检测模型需要首先在数据丰富的基础数据集上进行预训练，然后在少量的新数据集上进行微调。在基础数据集上进行预训练需要很大的设备成本和时间成本，就像一般的物体检测一样，这使得FSOD无法在现实生活中应用。因此，需要轻量级和高效的FSOD来快速适应外部知识到当前的少量数据集。

 

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除