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

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

提出了一种基于对潜在空间中低密度区域的分离，通过OpenDet具有扩展的低密度区域来识别未知物体的方法，此方法包括一个对已知类别进行对比特征学习的CFL及一个基于预测的不确定性优化未知概率的UPL，实验证明此方法可以显著提高OSOD性能。

Mar, 2022

通过引入预测组件、改善相似类的区分性以及降低标准差等方式，提出了由精细对比学习和Resemblance Group构建的FSOD方法，并在PASCAL VOC和COCO数据集上展示了其优越性。

Nov, 2022

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

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

使用预训练的深度神经网络在少量可用数据中实现强大结果，针对密集问题如物体检测，学习图像中的局部信息而非全局信息被证明更有效。为了解决这个问题，我们对最近在社区中表现良好且具有生成多样化目标提案特性的基于Transformer的物体检测器感兴趣，在此工作中，我们提出了一种利用该特性的新型无监督整体预训练方法ProSeCo，使用检测器生成的大量目标提案进行对比学习，从而允许使用较小的批量大小，并结合物体级特征学习图像中的局部信息。为了改善对比损失的有效性，在选择正样本时引入物体位置信息以考虑多个重叠的目标提案。当重用预训练的骨干网络时，我们主张在骨干网络和检测头之间一致学习局部信息。我们证明了我们的方法在使用较少数据进行物体检测的无监督预训练中优于现有方法，在标准和新颖的基准测试中表现出色。

Oct, 2023

我们提出了一种通过无监督/自监督学习训练单阶段目标检测器的创新方法，该方法有潜力彻底改变标注过程，大大减少人工标注所需的时间和成本，并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同，我们的方法承担了目标检测的独特挑战，开创了 intra-image 对比学习与 inter-image 对应的概念，能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息，并生成信息丰富的热图。我们的结果展示了89.2%的卓越准确率，在计算机视觉领域的无监督目标检测领域突破性地提高了15倍，相比随机初始化。

Feb, 2024

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

本研究聚焦于解决传统目标检测方法对大量标注数据的依赖，并探讨了少样本目标检测（FSOD）的不同设置。文献综述提供了对多种FSOD方法的全面比较和分析，揭示了其在减少数据需求和提升模型适应能力方面的潜力与挑战。

Aug, 2024