超越少样本目标检测：详细综述

目标检测是计算机视觉中的一个关键领域，侧重于在图像或视频中准确识别并定位特定目标。传统的目标检测方法依赖于每个目标类别的大量标注训练数据集，这些数据的收集与标注既耗时又昂贵。为解决这一问题，研究人员引入了少样本目标检测(FSOD)方法，将少样本学习与目标检测原理相结合。这些方法使模型能够仅凭少量标注样本快速适应新的目标类别。虽然传统的FSOD方法此前已有研究，但本综述论文全面回顾了FSOD研究，特别侧重于涵盖不同的FSOD设置，如标准FSOD、广义FSOD、增量FSOD、开集FSOD和域自适应FSOD。这些方法在减少对大量标注数据集的依赖方面发挥着至关重要的作用，尤其是随着对高效机器学习模型的需求不断增长。本综述论文旨在提供对上述少样本设置的全面理解，并探讨每个FSOD任务的方法论。它基于评估协议详细比较了不同FSOD设置下的SOTA方法并进行了深入分析。此外，它还就其在数据受限的目标检测这一不断发展领域中的应用、挑战及潜在未来方向提供了见解。