提出了一个使用语义嵌入进行精细调整的少样本目标检测框架，通过使用语义相似性分类器，多模态特征融合和语义感知最大边界损失，解决了现有方法在极低样本场景中对新类别存在的分类混淆和性能下降问题。

Jun, 2024

我们提出了一种新的方法，利用元学习和精细原型来改进少样本目标检测，并通过新的特征聚合模块、平衡类别无关采样和非线性融合模块来提高高级特征融合，从而在 PASCAL VOC 和 MS COCO 基准测试中取得了最先进的性能。

Jan, 2024

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

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

利用半监督学习技术，通过自动定位和使用未标记的新对象提高少样本目标检测的性能，并通过新的区域建议网络策略提高目标检测模型的感知能力，取得了超过现有最先进方法的性能。

Mar, 2023

提出了一种基于自我训练的少样本目标检测 (ST-FSOD) 方法，通过引入自我训练机制和学生 - 教师机制，在少样本细调过程中发现未标注的新对象，并在训练过程中考虑它们。实验结果表明，该方法在各种少样本目标检测设置中优于现有技术。

Sep, 2023

本文回顾了近年来少样本目标检测（FSOD）领域的重要进展，总结了现有挑战和解决方案，通过提出一种新颖的 FSOD 分类方法和调查丰富的 FSOD 算法，得出了促进 FSOD 问题深入理解和创新解决方案发展的全面概述，并讨论了这些算法的优点和限制，总结了在数据匮乏场景中目标检测的挑战、潜在的研究方向和发展趋势。

Apr, 2024

本论文提出了一种基于少样本目标检测的新的评估协议，旨在在任何外部数据集上预训练和微调检测器，并且通过利用联合学习策略，改进了现有方法，并在 LVIS 和 nuImages 上获得 5.9 个 AP 的提升。

Dec, 2023

该论文介绍了一种用于少量数据情况下目标检测的伪标注方法，可以从训练数据中找到高质量伪标注，显著增加训练实例数量，降低类别不平衡问题，通过验证技术和训练一个专门的模型来纠正盒子边框的质量，其中展示了算法在 PASCAL VOC 和 MS-COCO 数据集上的表现，与现有方法相比获得了最优状态或次优状态。

Dec, 2021

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