摘要
传统的基于深度卷积神经网络（CNN）的目标检测器训练需要大量的边界框注释，而对于罕见类别，这些注释可能无法获得。在本研究中，我们开发了一种少样本目标检测器，可以从少量标注示例中学习检测新对象。我们提出的模型利用了完全标注的基础类，并通过在一阶段检测架构中引入元特征学习器和重加权模块，快速适应新类。元特征学习器从具有足够样本的基础类训练数据中提取可泛化的元特征，用于检测新对象类别。重加权模块将来自新类的少数支持示例转换为一个全局向量，该向量指示元特征对于检测相应对象的重要性或相关性。这两个模块与检测预测模块一起，基于一种情景少样本学习方案和精心设计的损失函数进行端到端训练。通过广泛的实验，我们证明了我们的模型在多个数据集和设置下，在少样本目标检测方面大幅优于已建立的基线方法。我们还对所提模型的各个方面进行了分析，旨在为未来的少样本检测研究提供一些启示。