小样本目标检测研究综述

数据驱动下的深度学习技术在计算机视觉领域取得重大突破,但模型的高性能严重依赖于大量标注样本的训练.然而在实际场景当中,大规模数据的获取和高质量的标注十分困难,限制了其在特定应用领域的进一步推广.近年来小样本学习在目标检测领域的发展,为解决上述问题提供了新的研究思路.小样本目标检测旨在通过少量标注样本实现对图像中目标的分类和定位.本文从任务和问题、学习策略、检测方法、数据集与实验评估等角度出发,对当前小样本目标检测的研究成果加以梳理和总结.首先,系统性地阐述了小样本目标检测的任务定义及核心问题,并讨论了当前方法采用的学习策略.其次,从工作原理角度出发,将现有检测方法归纳总结为四类,对这四类检测方法的核心思想、特点、优势及存在的不足进行了系统性的阐述,为不同场景下选择不同的方法提供了依据.之后,本文对目前小样本目标检测采用的典型数据集、实验设计及性能评估指标进行了深入分析,进而对四类典型方法在数据集上的实验结果进行概括总结,尤其是对部分典型方法的检测性能进行了系统性对比分析.最后,立足于现有方法的优势和劣势,我们指出当前方法面临的挑战,并对下一阶段小样本目标检测技术未来的发展趋势提出了见解,期望为该领域的后续研究提供参考.