亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

目標檢測是計算機視覺和圖像處理中的一項基本任務。目前，基于深度學習的目標檢測器已經成功地獲得了大量的標記數據。但在現實生活中，并不能保證每個對象類別都有足夠的標記樣本進行訓練。這些大型目標檢測器在訓練數據有限的情況下容易出現過擬合。因此，有必要將少樣本學習和零樣本學習引入目標檢測中，兩者可以統稱為低樣本目標檢測。低樣本目標檢測(Low-Shot Object Detection, LSOD)旨在從少量甚至零標記數據中檢測目標，可分為少樣本目標檢測(few-shot Object Detection, FSOD)和零樣本目標檢測(zero-shot Object Detection, ZSD)。本文對基于FSOD和ZSD的深度學習進行了全面的研究。首先，本綜述將FSOD和ZSD的方法分為不同的類別，并討論了它們的優缺點。其次，本綜述回顧了FSOD和ZSD的數據集設置和評估指標，然后分析了不同方法在這些基準上的性能。最后，本綜述討論了FSOD和ZSD未來面臨的挑戰和發展方向。

引言

目標檢測是計算機視覺中一項基礎而又具有挑戰性的任務，它的目標是在圖像中定位特定類別的目標。目標檢測已廣泛應用于許多計算機視覺任務中，如目標跟蹤[88]、圖像標注[67]、場景圖生成[72]等。目標檢測的一般過程是為一組包圍框(圖像中參考的假想矩形)預測類別。大多數傳統方法通過在整個圖像中滑動一個窗口來生成這些邊界框。Viola-Jones (VJ)檢測器[74]首次采用積分圖像、特征選擇和檢測級聯三種加速技術實現了人臉的實時檢測。隨后提出了直方圖定向梯度(histogram of oriented gradient, HOG)[12]，并被許多目標檢測器用于特征描述。在這些方法中，基于變形部件的模型[16]是一種典型的方法。DPM將一個對象檢測任務劃分為多個細粒度的檢測任務，然后使用多個部分過濾器檢測對象部件，并將其聚合起來進行最終預測。雖然人們已經做了很多改進，但傳統的方法受到速度慢、精度低的限制。

與傳統方法相比，深度方法能夠以更有效的圖像特征實現更強的性能。R-CNN[21]是基于深度學習方法的最具代表性的工作之一。它使用選擇性搜索獲得區域建議(即圖像中更可能包含目標的區域)，然后使用預訓練好的CNN模型提取其特征，進行進一步的分類和定位。快速R-CNN[20]通過使用感興趣區域(RoI)池化層來從圖像的整個特征圖生成區域建議的特征圖來改進R-CNN。Faster R-CNN[64]進一步提出了一種區域提議網絡(region proposal network, RPN)，取代了傳統的通過錨點(即預定義的一定高度和寬度的包圍盒)從整個圖像特征地圖生成區域提議的方法。R-CNN、Fast R-CNN和Faster R-CNN分為兩個階段模型，首先生成區域建議，然后進行預測。為了進一步加速，單階段模型將這兩個過程結合在一起。YOLOstyle目標檢測器[63][3][19]是單級檢測框架的代表模型。根據從原始圖像中提取的特征圖，yolo風格的檢測器直接在圖像的所有位置上預定義多個尺度的錨點，并預測每個錨點的類別概率、位置偏移量和目標置信度。單級檢波器的性能一般不如兩級檢波器，一些方法如焦損耗[47]被提出以減小單級和兩級檢波器之間的性能差距。最近，一種基于transformer的檢測器被提出，命名為DETR[4]。DETR直接將固定數量的目標查詢轉發到transformer中，并對它們進行預測。DETR實現端到端檢測，具有與許多經典探測器相當的性能。為了緩解檢測器收斂緩慢的問題，變形檢測器[103]提出了一個變形注意模塊，它只訪問一個參考點周圍的一小組關鍵采樣點，而UP-DETR[11]提出了一個名為隨機查詢補丁檢測的非監督任務來預訓練檢測器。

然而，這些目標檢測器依賴于大量的訓練數據。在訓練數據不足的情況下，現有的目標檢測器容易過擬合，不能泛化到測試數據。在現實生活中，由于某些目標類別的稀缺或特殊的標簽成本，很難收集到足夠的標簽數據。因此，現代目標檢測器需要具備從少量甚至零標記數據中檢測目標的能力，并將少樣本和零樣本學習引入到目標檢測中。少樣本學習的目的是從少量標記樣本中學習泛化模型。在過去的幾年里，針對少樣本學習提出了很多方法，大致可以分為數據增強方法、元學習方法和遷移學習方法。數據增強方法通過使用傳統的圖像變換方法或基于深度學習的方法(如GAN)生成新樣本，直接解決了數據稀缺問題。元學習方法采用學習到學習的機制，在另一個數據豐富的數據集上定義多個少次任務來訓練模型，使模型能夠快速適應當前的少次任務。與在元學習中使用多個片段進行訓練不同，遷移學習方法的目標是直接學習另一個數據集上的良好圖像表示，并將它們轉移到當前數據集。Work[73]研究了一些用于少量圖像分類的基線遷移學習方法，實驗證明它們優于許多經典的元學習方法。

圖1. 本次綜述的概述。本文對低樣本目標檢測進行了全面的介紹，并將低樣本目標檢測分為單樣本目標檢測、少樣本目標檢測和零樣本目標檢測三個領域。圖中還用三種顏色演示了這三個域的更細粒度的分類，后面的小節將詳細討論這些分類。然后總結了OSOD、FS和ZSD的基準，并比較分析了不同LSOD方法在這些基準上的性能。最后對LSOD的發展方向進行了展望。

以往的少樣本學習方法主要是針對圖像分類的任務進行探索。由于目標檢測需要額外的任務來定位目標，因此，少樣本目標檢測比少樣本圖像分類更具挑戰性。但是FSOD方法繼承了FSL方法的主要思想，FSL方法也可以分為兩種主流方法:元學習方法和遷移學習方法。早期的FSOD方法遵循少樣本學習的元學習方法，主要關注如何結合支持圖像和查詢圖像的特性。這些元學習方法可以分為特征向量聚合方法和特征地圖聚合方法。將遷移學習方法引入到少樣本目標檢測中，在另一個數據集中對檢測器進行預訓練，然后在當前的少樣本數據集中對檢測器進行微調。在遷移學習方法中引入了對比學習、度量學習、正則化等方法。除了原有的標準FSOD設置外，研究者還探索了半監督FSOD、弱監督FSOD和增量FSOD等其他設置。還有一個更有挑戰性的設置，即每個少數樣本類都有零標記樣本，這被稱為零樣本學習(ZSD)。在零概率學習中，每個類都有其語義屬性作為補償。實際上，FSOD和ZSD可以考慮在一個條件下，一些方法[60][33]提出了一個組合模型，同時處理FSOD和ZSD。因此，本次綜述將FSOD和ZSD表示為低樣本目標檢測(LSD)。低樣本目標檢測的層次結構分類法如圖1所示。

本文對現有的少樣本和零樣本目標檢測算法進行了全面的回顧和分析。本文總結了現有的少樣本和零樣本目標檢測算法的性能。本文討論了少樣本和零樣本目標檢測的主要挑戰和未來的發展方向。本文綜述的其余部分組織如下。第二節描述了對少樣本和零樣本目標檢測算法進行更細粒度的分類和分析。第八節描述了常用的少樣本和零樣本目標檢測數據集和評價標準。第九節總結了現有的少樣本和零樣本目標檢測算法的性能。最后，第十一節總結了本次綜述的內容，然后討論了當前方法面臨的主要挑戰和未來的發展方向的少樣本和零樣本目標檢測。

本文對低樣本目標檢測進行了深入的研究，根據每個新類是否使用少量標記樣本或語義屬性，將低樣本目標檢測分為少樣本目標檢測(FSOD)和零樣本目標檢測(ZSD)。首先對低目標檢測方法進行了概括介紹，然后對FSOD和ZSD方法進行了分類和分析。總結了FSOD和ZSD的主要基準，并對不同方法的性能進行了比較。最后討論了FSOD和ZSD的發展方向。