本研究探讨了现实世界中few-shot目标检测的方法，发现距离度量学习在新颖类别上表现更好，并证明了在真实世界的开放数据集中扩展目标类别对few-shot学习有利。

本文研究了few-shot目标检测中的类别不平衡问题，通过印度驾驶数据集实验，比较了度量学习和元学习的FSOD方法表现，结果显示距离度量学习的方法在新颖的类上表现优于元学习。研究还证明了在真实世界的开放数据集中扩展目标类别是进行few-shot学习研究的有利方式。