摘要
少样本学习（few-shot learning），即从少量样本中学习新概念，是实现实用化视觉识别系统的基础。尽管现有大多数研究集中于少样本分类任务，本文则向前迈进了一步，致力于更具挑战性但研究尚不充分的少样本目标检测任务。我们提出了一种概念简洁但性能强大的基于元学习的框架，能够以统一且连贯的方式同时解决少样本分类与少样本定位问题。该框架利用来自数据丰富的基础类别所蕴含的“模型参数生成”层面的元知识，以辅助新类别检测器的构建。我们的核心思想在于解耦基于卷积神经网络（CNN）的目标检测模型中类别无关（category-agnostic）与类别特定（category-specific）组件的学习过程。具体而言，我们引入了一种权重预测型元模型（weight prediction meta-model），能够仅凭少量样本即可预测类别特定组件的参数。我们系统地评估了现代检测器在小样本场景下的性能表现。在多种现实场景下的实验，包括同域、跨域以及长尾分布设置，均验证了所提方法在不同新类别定义下的有效性与广泛适用性。