[TFA] Frustratingly Simple Few-Shot Object Detection(ICML. 2020)

1. Contribution

在分类任务中，针对few-shot学习的研究成果较为丰富，而相比之下，FSOD领域则尚未获得足够的重视。
从少量样本中识别罕见物体已成为一个崭新的研究课题。
然而，目前大部分相关研究主要聚焦于基础的图像分类任务，相较之下，few-shot目标检测方法却鲜有关注。
现阶段一些评估体系中存在的缺陷限制了不同模型之间的有效对比。
本项研究中，我们提出了一种改进的评估方法，用于对few-shot目标检测进行更准确的衡量。
我们采用如图1所示的两阶段训练策略来进行模型微调。
通过实验发现，这种两阶段微调方法（TFA）在现有的PASCAL VOC和COCO基准测试集上，相比所有先前基于元学习的最先进方法，在性能指标上提升了2至20个百分点。
为了获得稳定的准确率估计并定量分析各项评估指标的变化情况，在多次实验运行过程中，我们对不同的少量样本训练组进行了采样。

2. Related Work

Meta-Learning

元学习旨在获取任务层面的元知识，以协助模型