发论文idea来了！小样本学习+目标检测，12个创新点汇总

在一些特定应用领域，获取大规模且高质量标注的数据十分困难，比如医学图像分析。为了解决这个问题，研究者们提出了小样本目标检测。

小样本目标检测是一种结合了小样本学习和目标检测两者优势的技术，能够在有限的训练数据下，训练出具有更高实用性和泛化能力的模型。目前它在工业界与学术界都与各热门研究方向强相关，因此创新切入点很多，是个很好发论文的方向。

传统且主流的小样本目标检测方法有基于元学习、基于迁移学习、基于数据增强等。不过为了追求更高的性能和检测精度，现在我们更专注于探索新的改进方法，比如引入新的网络架构。

这次我就根据以上思路整理了12篇小样本目标检测最新paper，各位可以用作参考，包含几种主流方法以及最新的改进方法，开源代码已附。

论文原文+开源代码需要的同学看文末

新改进方法

TIDE: Test-Time Few-Shot Object Detection

方法：论文提出了一种新颖的测试时间少样本目标检测（TIDE）方法，TIDE核心是在配置过程中不需要对模型进行微调，而是引入了一个不对称的架构，用于学习支持实例引导的动态类别分类器。此外，还提供了交叉注意力模块和多尺度调整器来增强模型性能。