我们提出了一种网络学习的空间相似度分布 (SSD) 方法，用于少样本目标计数，该方法在保留样本特征的空间结构的同时，计算查询特征与样本特征之间的四维相似度金字塔，从而捕捉了四维相似度空间中每个点的完整分布信息，同时利用相似性金字塔上的高效中心轴四维卷积将不同的相似度分布映射到不同的预测密度值，以获得准确的计数。我们还引入了特征交叉增强 (FCE) 模块来改进查询和样本特征的准确性，该方法在多个数据集上表现优于现有方法，包括 FSC-147 和 CARPK。

May, 2024

本文提出了一种新的两阶段训练策略和一种新的基于不确定性感知的少样本对象检测器：Counting-DETR，用于解决少样本目标计数和检测问题，并在两个新数据集上验证了其性能优于强基线模型。

Jul, 2022

该研究针对视觉物体计数问题，提出了一种基于少样本回归任务的方法，同时也介绍了一种新的适应策略和数据集以供模型训练和评估，并证明该方法在性能上优于现有的物体识别和计数方法。

Apr, 2021

该论文介绍了少样本目标定位 (Few-Shot Object Localization, FSOL) 这一新兴任务，旨在提供精确的目标位置信息。作者提出了一种创新的高性能基准模型，该模型通过整合双路径特征增强模块和自查询模块来增强形状关联和梯度差异，并在 FSOL 任务中取得了显著的性能提升，为进一步研究建立了高效的基准。

Mar, 2024

本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

Sep, 2021

使用卷积神经网络（CNN）对支持图像进行特征提取，生成类别特征向量，然后通过余弦相似度将目标物体在查询图像中分割出来，在 PASCAL-$5^i$ and COCO-$20^i$ 数据集上验证了其优越性。

Sep, 2019

该论文提出了一种物体感知的远近距离空间对齐方法，通过 FOE 模块增强前景物体响应、LSC 模块学习可转移的远距离语义对齐和 SSM 模块对查询特征进行短距离精细对齐，以实现在小样本情况下对罕见细粒度目标的检测和识别。

Aug, 2021

利用自支持匹配策略提高 few-shot 语义分割精度，通过适应性自支持背景原型生成模块和自支持损失进一步促进自支持匹配过程，该策略有效地捕获查询对象的一致潜在特征，从而更适当地匹配查询特征，其实现了多个数据集上的 SOTA，源码可在 https://github.com/fanq15/SSP 找到。

Jul, 2022

本研究提出了一种新的技术 CLIP-Count，利用预处理好的图像与文本对齐知识，在零样本的情况下，估计开放词汇对象的密度图，用于类无关物体计数， 并在 FSC-147、CARPK 和 ShanghaiTech 人群计数数据集上进行了广泛的实验，结果表明我们的方法实现了零样本物体计数的最高精度和泛化性能。

May, 2023

基于检测的 PseCo 框架将 SAM 和 CLIP 结合起来，实现了对少样本和零样本的准确目标计数，通过点定位、分割和计数等步骤解决了效率和小物体区分等难题。

Nov, 2023