提出了 Few-shot RetinaNet (FSRN) 算法，该算法解决了传统单级 FSOD 算法性能较弱的问题，主要是通过在损失函数中增加前景样本并使用广阔的感受野和增强转移技术来提高判别能力和可转移性，比两级 FSOD 算法快近两倍且性能更优。

Oct, 2022

我们开发了一种半监督算法，通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象，并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明，我们的方法是有效的，并且优于现有的少样本目标检测方法。

Aug, 2023

本文提出了一种使用异构图卷积网络的新颖 FSOD 模型，通过三种不同类型的边在所有提案和类节点之间进行有效的消息传递，从而获得上下文感知提案特征和查询自适应的多类增强原型表示，这有助于促进成对匹配并提高 FSOD 准确性，在 PASCAL VOC 和 MSCOCO FSOD 基准测试中，我们的模型 QA-FewDet 在不同的拍摄数和评估指标下优于现有的最先进方法。

Dec, 2021

本文提出了基于 DCAMA 和 Transformer 架构的多级像素关联的稠密像素交叉查询和支持关注权重掩模聚合方法，通过完全利用支持图像中的前景和背景信息，显着提高了标准 FSS 基准测试的性能，特别是 1-shot mIoU 方面有了 3.1％，9.7％和 3.6％的绝对改善。

Jul, 2022

提出了一种基于元学习的 FSOD 模型，通过联合优化少样本提议生成和细粒度分类，采用轻量级的基于度量学习的原型匹配网络来提高少样本类别的提议生成，提出了一种注意力特征对齐方法来解决噪声提议与少量样本类别之间的空间失配问题。在多个 FSOD 基准上取得了最先进的性能。

Apr, 2021

通过使用定向边界框而不是传统的水平边界框来学习更好的特征表示，针对远程感知图像，我们提出了一种新的用于远程感知图像的少样本定向目标检测方法，称为记忆对比学习的少样本定向目标检测（FOMC）。我们引入了一个带有动态更新存储器的监督对比学习模块，以应对对象误分类的具有挑战性的问题。该模块可以利用大批量的负样本，并增强模型学习未见类别的区分特征的能力。在 DOTA 和 HRSC2016 数据集上进行了全面实验，我们的模型在少样本定向目标检测任务上实现了最先进的性能。发布代码和预训练模型。

Mar, 2024

本文通过应用双重注意力网络 (DANet) 和自注意力机制来捕捉语境相关性，以实现更准确的场景分割，在 Cityscapes 数据集上取得了 81.5% 的平均 IoU 得分，并提供了相应的代码和训练模型。

Sep, 2018

我们提出了一种扩展的共存注意力（ECEA）模块，通过学习局部部分进行推理，从而能够帮助少样本目标检测模型在扩展局部区域到共存区域时快速适应，从而优于现有的少样本目标检测方法，并在 PASCAL VOC 和 COCO 数据集上实现了新的技术水平。

Sep, 2023

本文通过在航拍图像中对现有少样本目标检测方法进行深入分析，发现自然图像和航拍图像之间存在较大的性能差距，导致的原因是航拍图像中小物体的数量较多。因此，本文提出了一种精心设计的注意力机制来改善少样本目标检测方法在小物体上的性能，并提出了一种自适应尺度框相似性准则，特别适用于小物体的训练和评估。同时，本文还通过度量学习和微调提出了两种用于通用少样本目标检测的不同方法，其中微调方法在处理诸如跨域少样本目标检测等更复杂场景方面取得了显著的成果。最后，针对在 COSE 系统中部署检测模型的需求，本文利用 TensorRT 等现有优化工具成功解决了在超大图像（超过 100 百万像素）中实时进行检测的工程挑战。

Oct, 2023

本研究提出了一种有向对象注意力图来指导智能体在显式学习对象之间的注意力关系，从而减少对象注意力偏差，并利用该方法在 AI2-Thor 数据集上进行评估，相较于最先进的方法，本方法成功率、路径长度加权成功率和行动效率加权成功率分别增加了 7.4％，8.1％和 17.6％。

Apr, 2022