近年少样本目标检测算法：带性能比较的综述
计算机视觉与模式识别
2023-04-13 v2
摘要
通用目标检测（GOD）任务已被近期深度神经网络成功解决，这些网络由来自常见类别的大量标注训练样本训练。然而，将这些目标检测器推广到仅含少量标注训练样本的新颖长尾物体类别仍非易事。为此，少样本目标检测（FSOD）近期成为热点，它模仿人类学会学习的能力，并智能地将学到的通用物体知识从常见的重尾类别迁移到新颖的长尾物体类别。尤其，这一新兴领域的研究近年蓬勃发展，提出了各类基准、骨干网络与方法论。为回顾这些FSOD工作，已有若干具洞察力的FSOD综述文章[58, 59, 74, 78]将它们作为微调/迁移学习与元学习方法的组别进行系统研究与比较。相比之下，我们从基于其贡献的新视角与新分类法回顾现有FSOD算法，即数据导向、模型导向与算法导向。因此，对FSOD近期成果进行了带性能比较的全面综述。此外，我们还分析了技术挑战、这些方法的优缺点，并展望了FSOD的未来方向。具体而言，我们概述了FSOD，包括问题定义、常用数据集与评估协议。随后提出将FSOD方法分为三类的分类法。依此分类法，我们系统回顾了FSOD的进展。最后，给出了关于性能、挑战与未来方向的进一步讨论。
引用
@article{arxiv.2203.14205,
title = {Recent Few-Shot Object Detection Algorithms: A Survey with Performance Comparison},
author = {Tianying Liu and Lu Zhang and Yang Wang and Jihong Guan and Yanwei Fu and Jiajia Zhao and Shuigeng Zhou},
journal= {arXiv preprint arXiv:2203.14205},
year = {2023}
}
备注
35 pages, 14 figures