低样本目标检测(Low-Shot Object Detection, LSOD)旨在从少量甚至零标记数据中检测目标，可分为少样本目标检测(few-shot Object Detection, FSOD)和零样本目标检测(zero-shot Object Detection, ZSD)。本文对基于FSOD和ZSD的深度学习进行了全面的研究阐述。

论文链接：

https://arxiv.org/abs/2112.02814

目标检测是计算机视觉和图像处理中的一项基本任务。目前，基于深度学习的目标检测器已经成功地获得了大量的标记数据。但在现实生活中，并不能保证每个对象类别都有足够的标记样本进行训练。这些大型目标检测器在训练数据有限的情况下容易出现过拟合。因此，有必要将少样本学习和零样本学习引入目标检测中，两者可以统称为低样本目标检测。低样本目标检测(Low-Shot Object Detection, LSOD)旨在从少量甚至零标记数据中检测目标，可分为少样本目标检测(few-shot Object Detection, FSOD)和零样本目标检测(zero-shot Object Detection, ZSD)。本文对基于FSOD和ZSD的深度学习进行了全面的研究。首先，本综述将FSOD和ZSD的方法分为不同的类别，并讨论了它们的优缺点。其次，本综述回顾了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性能。最后，本综述讨论了FSOD和ZSD未来面临的挑战和发展方向。

图1. 本次综述的概述。本文对低样本目标检测进行了全面的介绍，并将低样本目标检测分为单样本目标检测、少样本目标检测和零样本目标检测三个领域。图中还用三种颜色演示了这三个域的更细粒度的分类，后面的小节将详细讨论这些分类。然后总结了OSOD、FS和ZSD的基准，并比较分析了不同LSOD方法在这些基准上的性能。最后对LSOD的发展方向进行了展望。

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