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

本篇研究考虑在现实世界中具有类别不平衡的情况下进行 few-shot 目标检测（FSOD）。通过对印度驾驶数据集（IDD）进行实验，同时评估了基于度量学习和元学习的 FSOD 方法在同领域实验和对象样本稀少的实验中的表现。结果显示距离度量学习的方法在新颖的类上表现优于元学习。此外，本研究还证明了在真实世界的开放数据集中扩展目标类别是进行 few-shot 学习研究的有利方式。

Jan, 2021

本文介绍了使用少量的视觉示例逐步训练机器人识别不同物体类别的实用系统，并在表格整理任务中演示了该系统的能力。实验评估表明，我们的方法几乎可以达到一次性使用所有示例（批量训练）训练的系统的性能水平。

Jul, 2020

通过发布 ORBIT 数据集和基准测试结果，本研究展示了通过少量见例子的学习，实现物品识别这一具备良好应用前景的任务在现实场景中的挑战和机会，并在此基础上提出了具有挑战性的测试基准，为解决此问题提供研究奠定了基础。

Apr, 2021

本研究综述了少样本物体检测的现有成果及未来展望，提出了基于数据的训练分类法和相应监督的形式，并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查，最后总结了少样本目标检测的现状以及未来的研究方向。

Oct, 2021

介绍了一个来自摄影师的 few-shot localization 数据集，包括近万个分类为 100 个类别的图像分割，在人们拍摄的 4500 张图像中，我们的数据集是第一个定位物体的孔隙、显示对象的尺寸范围很大，并且我们的对象中文字出现的比例是其他数据集的 5 倍以上，但是算法难以定位到具有孔隙、非常小和非常大的对象以及没有文字的对象。

Jul, 2022

本文探讨了一种新的开放式少样本目标 6D 姿态估计问题，并提出了一种密集的 RGBD 原型匹配框架，加上深度外观和几何相关性的先验，以及一种在线纹理融合方法，为解决这个问题建立了基准。

Mar, 2022

本文讨论了有限样本下的目标分割，并提出了可以通过少量的像素级别注释来训练模型的 FSS-1000 数据集以及使用标准骨干网络如 VGG-16，ResNet-101 和 Inception 进行训练该模型，结果表明其训练结果甚至比使用 ImageNet 进行预训练的模型更好。

Jul, 2019

本文综述了近期研究的少样本和自监督目标检测方法，并提出了研究中的主要收获和未来方向。

Oct, 2021

我们提出了 FewRel 数据集，其中包含来自维基百科的 100 种关系中的 70,000 个句子，这些句子由群众工作者进行注释。我们针对关系分类采用了最新的 Few-Shot Learning 方法，并对这些方法进行了全面的评估。实证结果表明，即使是最具竞争力的少样本学习模型也很难完成此任务，这表明 Few-Shot Learning 在关系分类方面仍然存在着问题，需要进一步的研究。

Oct, 2018