場景：目標圖像獲取困難，可用原始樣本數(shù)量少

方案一、數(shù)據(jù)增強

1.1 通過圖像處理增強方式，如仿射變換、透視變換等，增加訓練樣本

1.2 通過GAN生成訓練集

方案二、遷移學習

? ? 圖像檢測分類的通用范式，在近似場景，采用大規(guī)模的數(shù)據(jù)訓練網(wǎng)絡，獲得接近目標場景的網(wǎng)絡參數(shù)，然后在新的數(shù)據(jù)集上使用小樣本訓練新的分類器/檢測頭。

方案三、度量學習

3.1 分類

類似孿生網(wǎng)絡，通過對比學習訓練使網(wǎng)絡具備區(qū)分同類/不同類樣本的能力，推理階段：1、將小樣本表征平均作為每類特征原型，新樣本表征與各類比較計算相似度，去相似度最高的類別。

3.2 檢測

如FSOD，對比訓練策略+attention based RPN，核心是目標間的匹配關系

方案四、元學習

在元訓練階段，首先從訓練集中隨機抽取C個類別，每個類別包含K個樣本，構(gòu)成模型的支撐集，即為一個元任務。目的是為了使得模型從C X K個數(shù)據(jù)中學習識別C個類別（K值很小，通常K<10）

方案五、多模態(tài)網(wǎng)絡

在少量樣本的情況下引入其他模態(tài)信息進行融合