小样本检测训练过程-以Meta-Detr为例

1. 训练过程：首先为每个Query先进行一次Support分配，根据total_num_support参数和max_pos_support参数；接着在batch_size中，根据Query的Support、episode_num参数和episode_size进行Support分配；所有的Base样本作为Query，Support从Base中随机选取；一个batch_size包括episode_num个迭代，计算episode_num次预测结果的总损失进行权重更新；
2. 调优过程：对所有类别进行调优训练，既要保证基类精度也要保证小样本类精度；在选出的N-way,K-shot中选N*K作为Query,Support从N*K中挑选。
3. 测试过程：以VOC2007-test为例，VOC0712trainval作为support集，每个类别取一个support，取number_of_supports = 100组（# This is the number of support images to use for each category. Need be large enough.)，最后再取这100组同一类别的特征平均作为支持集;num_episode = math.ceil(supp_class_ids/ support_batchsize);接下来的步骤就和训练过程一样了；

• loader_support的batch_size=1，
• batch_size:查询集批次大小
• episode_num：一个batch_size进行的task数
• episode_size：batch_size的每个Query对应的支持集数量
• total_num_support：used in training: each query image comes with ? support image(s)
• max_pos_support： used in training: each query image comes with at most ? positive support image(s)