摘要
本文研究了利用大量未标记图像和每类仅有少数标记图像进行目标检测的方法，称为“少样本目标检测”。主要挑战在于从图像池中生成尽可能多的可信训练样本。我们的方法以少量训练样本作为种子，迭代进行模型训练和高置信度样本选择。在训练过程中，首先生成简单样本，然后对初始化不良的模型进行改进。随着模型判别能力的提高，选择具有挑战性但可靠的样本。之后，再进行一轮模型改进。为了进一步提高生成训练样本的精确率和召回率，我们在框架中嵌入了多个检测模型，这已被证明优于单一模型基线和模型集成方法。在PASCAL VOC'07、MS COCO'14和ILSVRC'13数据集上的实验表明，通过为每个类别选择仅三到四个样本，我们的方法在与使用大量图像级标签的最先进弱监督方法相比时，能够产生非常有竞争力的结果。