少样本目标检测：研究进展与挑战
计算机视觉与模式识别
2024-04-09 v1
摘要
目标检测作为计算机视觉的一个子领域已经取得了显著进展，其目标是从图像或视频中准确识别和定位特定对象。这些方法依赖于每个对象类别的大规模标注训练样本以确保准确检测，但在许多现实场景中，获取大量标注数据是一个劳动密集且昂贵的过程。为了应对这一挑战，研究人员探索了少样本目标检测（FSOD），它结合了少样本学习和目标检测技术，以快速适应具有有限标注样本的新对象。本文提供了一个全面的综述，回顾了近年来FSOD领域的重大进展，并总结了现有的挑战和解决方案。具体来说，我们首先介绍了FSOD的背景和定义，以强调其在推动计算机视觉领域发展方面的潜在价值。然后，我们提出了一种新的FSOD分类方法，并基于此调查了大量显著的FSOD算法，以提供一个全面的概述，促进对FSOD问题的更深入理解和创新解决方案的开发。最后，我们讨论了这些算法的优点和局限性，总结了数据稀缺场景下目标检测的挑战、潜在研究方向和发展趋势。
引用
@article{arxiv.2404.04799,
title = {Few-Shot Object Detection: Research Advances and Challenges},
author = {Zhimeng Xin and Shiming Chen and Tianxu Wu and Yuanjie Shao and Weiping Ding and Xinge You},
journal= {arXiv preprint arXiv:2404.04799},
year = {2024}
}