超越少样本目标检测：详尽调查
原文中文，约1800字，阅读约需5分钟。
📝
内容提要
本文综述了少样本目标检测（FSOD）的重要进展，提出了基于元学习的模型、伪标注技术和注意力机制等新算法，旨在提升检测性能。同时分析了自然图像与航拍图像的性能差异，并提出相应解决方案。最后探讨了未来的研究方向和挑战。
❓
Q&A
什么是少样本目标检测（FSOD）？
少样本目标检测（FSOD）是指在仅有少量标注样本的情况下进行目标检测的技术。
文章中提到的基于元学习的FSOD模型有什么特点？
该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提议生成能力。
伪标注方法在少样本目标检测中如何应用？
伪标注方法通过从训练数据中找到高质量伪标注，显著增加训练实例数量，降低类别不平衡问题。
如何改善航拍图像中的小物体检测性能？
文章提出了一种注意力机制和自适应尺度框相似性准则，以改善小物体的检测性能。
什么是多领域少样本目标检测（MoFSOD）基准测试？
MoFSOD基准测试用于评估少样本算法的性能，并发现多个影响性能的关键因素。
文章中提到的CD-FSOD挑战是什么？
CD-FSOD挑战涉及在新领域中进行目标检测时，标记示例极少导致的性能下降问题。
🏷️
