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

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

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

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

本文通过在航拍图像中对现有少样本目标检测方法进行深入分析，发现自然图像和航拍图像之间存在较大的性能差距，导致的原因是航拍图像中小物体的数量较多。因此，本文提出了一种精心设计的注意力机制来改善少样本目标检测方法在小物体上的性能，并提出了一种自适应尺度框相似性准则，特别适用于小物体的训练和评估。同时，本文还通过度量学习和微调提出了两种用于通用少样本目标检测的不同方法，其中微调方法在处理诸如跨域少样本目标检测等更复杂场景方面取得了显著的成果。最后，针对在COSE系统中部署检测模型的需求，本文利用TensorRT等现有优化工具成功解决了在超大图像（超过100百万像素）中实时进行检测的工程挑战。

Oct, 2023

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

利用单级检测器作为基准，结合元学习训练框架和新颖的元采样方法，提出了一种在遥感图像中进行少样本目标检测的方法，以提高检测准确性和元学习策略的效率。

Apr, 2024

该研究探讨了在遥感图像中的增量式小样本目标检测任务，并介绍了一种名为InfRS的创新微调技术，以便在保持基类性能的同时，利用有限的示例进行增量学习，并生成代表数据固有特征的类别原型，进而解决遥感图像中的增量式小样本目标检测问题。

May, 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