深度学习在低样本目标检测中的研究综述
计算机视觉与模式识别
2023-10-26 v4 人工智能
摘要
目标检测借助深度神经网络与海量标注数据已取得巨大突破。然而，由于严重的过拟合问题，当前检测方法无法直接迁移至标注数据稀缺的场景。尽管少样本学习与零样本学习已在图像分类领域被广泛探索，但由于目标检测存在额外的具有挑战性的定位任务，在数据稀缺场景下设计新方法是必不可少的。低样本目标检测（LSOD）是一个新兴的研究课题，旨在从少量甚至无标注样本中检测物体，包括单样本目标检测（OSOD）、少样本目标检测（FSOD）与零样本目标检测（ZSD）。本综述对 LSOD 方法进行了全面回顾。首先，我们提出了 LSOD 方法的详尽分类法并系统分析之，涵盖若干 LSOD 的扩展主题（半监督 LSOD、弱监督 LSOD 与增量 LSOD）。然后，我们通过性能比较指出了当前 LSOD 方法的优劣。最后，我们讨论了 LSOD 的挑战与有前景的方向，为未来工作提供指导。
引用
@article{arxiv.2112.02814,
title = {A Survey of Deep Learning for Low-Shot Object Detection},
author = {Qihan Huang and Haofei Zhang and Mengqi Xue and Jie Song and Mingli Song},
journal= {arXiv preprint arXiv:2112.02814},
year = {2023}
}