小样本目标检测综述

刘浩宇，王向军

(1.天津大学精密测试技术及仪器国家重点实验室，天津300072;2.天津大学微光机电系统技术教育部重点实验室，天津300072)

0 引言

深度学习目标检测技术很大程度上依赖于样本数据的分布和数量,若要实现良好的目标检测效果,就需要有足够数量的已标注样本的支持。标注样本会引入较高的制作成本,阻碍了人工智能的产业布局。近两年来,学界开始改变之前的模型训练方式,关注用少量的数据来达到较好的检测效果,用少量数据学习得到具有良好效果的模型的思想可以很大程度上提高深度学习在军事、航空航天领域的布局能力,在一些数据样本不容易获得或样本容量较小的应用场合,如国防军工领域,这样的问题尤为突出。

深度学习目标检测方法在早期应用过程中采用了大量标注样本回归候选框的位置[1],但是随着人工智能应用的推进,目标集与训练集数据分布不同导致检测效果下降的问题慢慢出现[2]。在没有大量样本的支持下,小样本检测应用就需要使用先验知识来弥补样本的不足。根据目标检测的理论数学模型,解决问题的方法大体上可以分为三类:数据域、模型域和算法域。数据域的解决方案就是通过先验知识来做数据增强,通过数据量的增大解决模型不收敛的问题；模型域的解决方案是通过先验知识来限制模型复杂度,降低假设空间的大小,使得模型收敛加快；算法域的解决方案则是通过先验知识来提供一个更快捷的搜索策略[3]。……