本文旨在使用仅有少量示例来进行卫星图像中的目标检测，从而使用户能够使用最少的注释来指定任何目标类。我们探讨了来自开放词汇检测和遥感领域的最新方法和思路。我们基于传统的两阶段架构开发了一个少样本目标检测器，其中分类块被基于原型的分类器替代。我们使用大规模预训练模型构建类参考嵌入或原型，并与区域建议内容进行标签预测。另外，我们提出在可用的训练图像上微调原型，以提高性能并学习类似类别之间的差异，例如飞机类型。我们对包含具有挑战性和罕见对象的两个遥感数据集进行了广泛评估。此外，我们研究了视觉和图像文本特征的性能，即 DINOv2 和 CLIP，包括专门针对遥感应用的两个 CLIP 模型。结果表明，视觉特征在很大程度上优于视觉语言模型，因为后者缺乏必要的领域特定词汇。最后，尽管训练参数很少，但开发的检测器在 SIMD 和 DIOR 数据集上表现出优于全监督和少样本方法的性能。

Mar, 2024

本文介绍了一种基于少样本学习的遥感影像目标检测方法，主要由元特征提取器、自适应权重分配模块和边界框预测模块组成，实现了在较少标注数据情况下，在遥感影像上的目标检测，表现优于其他基线模型。

Jun, 2020

通过对高分辨率卫星图像进行目标检测并对样本进行抽样估计，使用重要性采样方法准确估算目标数量，达到优秀的性能表现。

Dec, 2021

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

本文介绍了一种用于提高机器视觉中自动化建筑识别性能的方法，该方法结合了卷积神经网络和 Bootstrapping 技术，只利用原训练数据的六分之一，并在一个航空图像数据集上获得了高达 95.10％的精度 - 召回率平衡。

Oct, 2018

利用弱监督的深度学习模型和少量边界框标记图像，可以在遥感图像中检测物体，从而减少对边界框标记的依赖，提高模型性能。

Nov, 2023

本文提出了一种基于 Faster R-CNN 及特征学习的几类物体检测方法，采用基于原型网络的方法，在线适应新类别，并使用嵌入向量与类别原型之间的距离确定对应分类得分。该方法在 DOTA 数据集上进行了评估，强调了特征学习对几类目标检测任务的应用潜力和局限性。

Sep, 2021

使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

Jun, 2020

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

本研究提出了 part-aware sampling 方法，利用人类直观感知对象之间的层次关系，解决 Open Images Dataset 数据集不完整的问题，并在 Google AI Open Images 竞赛 2018 中获得了第一和第二名。

Nov, 2018