基于深度学习的小样本目标检测综述

针对在小样本情况下目标检测的问题，对当前小样本条件下的目标检测方法进行归纳总结。列举 4 类小 样本学习方法并介绍其优缺点，介绍目前这几类方法的典型算法；进行小样本目标检测实验设计，通过分析各方法 的特点得出其可应用方向；对目前的小样本图像目标检测存在的问题进行讨论。结果表明，该分析能为相关领域的 研究者提供更多的思路。

精确的目标检测既是军事领域中实现获取敌方 情报的手段[1]，又是保护我国民用领域自动驾驶、 人脸识别[2]的基础。近年来，随着深度学习持续发 展，不断提出新的目标检测模型，从 AlexNet[3]到 ResNet[4]以及 GoogleNet[5]等。为了追求精度，这些 模型往往运算量巨大，且需要大量的标注图像来进 行模型训练[6]。在现实中应用深度学习检测算法 时，会存在很多问题。现实中的图像背景总会比公 开数据集中的更为复杂，如各个目标相互的遮挡、 环境的干扰、目标不断变化的角度等问题。公开数 据集中只能覆盖现实场景中的少部分，只有动用大 量的人力、物力进行目标数据采集并且进行标注[7]， 才能获取到覆盖面如此之广、物体种类丰富齐全的 数据集。随着物体的类型不断增多，使用深度学习 算法检测识别新型目标时，必须提供大量高质量标 注数据，这对情报获取能力要求较高。可见，使用 小样本少标签数据对深度学习模型进行训练很重 要。近年来，基于小样本的目标检测技术不断受到关注，不需要监督学习中利用大量标注数据进行模 型的训练，只通过少量新类别的标注数据，对模型 结构重新设计，进而实现迁移到新领域的目标。小 样本模型的训练更类似于人类的学习过程[8]，不需 要长时间计算，整个过程是轻量的，只需要通过几 个样本的学习就可以识别检测出目标[9-10]；因此， 设计出更合理的算法，解决在数据不足的条件下， 保证目标检测识别的性能，具有重要的实用价值。 基于小样本的图像目标检测是将小样本学 习[11-14]技术应用至当前目标检测技术中，能够通过 小样本训练出具有一定泛化能力的模型。笔者对小 样本目标检测的任务进行描述，对现有的小样本学 习算法进行介绍，对当前存在的问题提出建议及展 望，以期为相关领域的研究者提供更多的思路。