SRR-FSD

1. Motivation

few shot 存在的价值体现如下：

换句话说，即便拥有海量数据资源，我们亦无法通过单纯增加标注投入来缓解样本稀缺的问题。

因此，针对few-shot learning的探索是一项具有重要现实意义且持续时间较长的研究课题。

长尾分布现象在真实世界中同样是一个亟待解决的问题，其本质在于数据不足所引发的挑战。

长尾分布是现实世界中固有的一种特性。

该分布下的模型表现很大程度上受到新类别数据稀缺性的影响。

在FSOD（Few Shot Object Detection）任务中，既包含基础类别（base classes），也包含新类别（novel classes）。基础类别指的是拥有大量标注信息的数据集，而新类别则仅包含少量标注信息的数据集。

• 在FSOD框架下，存在两类数据：一类是具有充分标注目标框的基础类别；另一类则是仅有极少标注样本的新类别。

FSOD的目标是借助基础类别的丰富信息，学习新类别的关键特征，从而在测试阶段实现对所有新目标的检测能力。

• 几乎所有的few-shot检