目标检测综述：https://www.jianshu.com/p/468e08f739bd
https://zhuanlan.zhihu.com/p/40047760

小样本目标检测研究现状：https://zhuanlan.zhihu.com/p/143444970
小样本学习所需要解决的问题
通过应用较少的标注数据的半监督方法或者利用不完全匹配的标注数据的弱监督方法，利用极少的标注数据学习具有一定泛化能力的模型显得较为重要。
支撑集
在元训练阶段，首先从训练集中随机抽取C个类别，每个类别包含K个样本（C-way K-shot），构成模型的支撑集，即为一个元任务。目的是为了使得模型从C×K个数据中学习识别C个类别（K值很小，通常K<10）。

一、小样本学习

1. 基于度量学习
2. 基于元学习：利用记忆增强网络（LSTM，RNN等）
3. 基于数据增：通过数据增强来弥补数据量不充足的问题，扩充少量原始样本
4. 基于多模态的方法：在少量样本的情况下引入其他模态信息进行融合

   二、小样本目标检测

   1、基于微调的方法

   基于微调的迁移学习的方法，首先在大规模数据集上进行学习源域模型，并使用该模型参数初始化目标域模型，之后在小规模数据集上进行微调。

   2、基于模型的方法

   构建新的目标检测模型来解决小样本目标检测的问题。

   3、基于度量学习的方法

   基于度量学习的方法，模型由基本检测模型和元模型组成，基础模型在基础训练中提供基础类的特征，元模型学习基础特征用于输入图像的重要权重系数，进而调整基础特征重要程度在小样本上进行检测。

   三、小样本目标检测现有的问题

   １、依赖于传统的目标检测领域中经典成熟的方法，但是后续的推理速度缓慢，不能满足实时性需求。
   ２、现有的方法泛化性能差强人意，随小样本类别增加，效果下降明显。
   
   小样本学习研究综述：https://blog.csdn.net/qq_40716254/article/details/111035662