摘要
近期在目标检测领域的进展主要由大规模检测基准上的深度学习推动。然而，对于特定的目标检测任务，完全标注的训练集通常有限，这可能会降低深度检测器的性能。为了解决这一挑战，本文提出了一种新颖的少样本迁移检测器（LSTD），通过利用丰富的源域知识，在仅有少量训练样本的情况下构建有效的目标域检测器。本文的主要贡献如下：首先，我们设计了一种灵活的LSTD深度架构，以缓解少样本检测中的迁移难题。该架构能够在统一的深度框架中整合SSD和Faster R-CNN的优点。其次，我们引入了一种新颖的正则化迁移学习框架用于少样本检测，其中提出了迁移知识（TK）和背景抑制（BD）正则化方法，分别从源域和目标域中利用对象知识，以进一步增强使用少量目标图像进行微调的效果。最后，我们在多个具有挑战性的少样本检测实验中测试了LSTD，结果表明LSTD优于其他最先进的方法。这些结果证明了LSTD在少样本场景下是一种优选的深度检测器。