介绍了 Few-Shot Object Learning (FewSOL) 数据集，用于针对每个物体进行少量图像识别，研究结果表明目前机器人环境下还有一定提升空间，适用于研究分类、检测、分割、形状重构、姿态估计、关键点对应和属性识别等少量图像识别问题。

Jul, 2022

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

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

本文提出了一种针对少样本目标计数的新型学习模块，其中包括相似性比较模块和特征增强模块，通过得分图，利用支持图像和查询图像来增强查询特征，大大提高了目标计数的精度和效率，成果优于现有最先进技术

Jan, 2022

本文提出了一种新的弱监督目标定位方法，称为伪监督目标定位（PSOL）方法，将弱监督目标定位分为类不可知对象定位和对象分类两个部分，并使用 PSOL 方法生成噪声伪标注来进行类不可知对象定位，并在此基础上进行边界框回归，通过此方法生成的伪边界框，在未进行精调的情况下，在 ImageNet 数据集上实现了 58.00% 的定位精度和 CUB-200 数据集上的 74.97% 的定位精度，具有很好的可迁移性。

Feb, 2020

本文提出了一种新的评估协议，其中完全监督仅限于与测试集不重叠的少量保留集，进一步验证了在只有图像级标签的情况下 WSOL 任务是存在问题的，而实现了评估协议的五种最新 WSOL 方法并没有显著优于 CAM 基线，同时我们还发现现有 WSOL 方法并未达到在不同情况下采用完全监督的训练基线水平，提出了 WSOL 未来的一些方向。

Jan, 2020

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

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

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