小样本目标检测长期困于"基底模型泛化差、新类别适配难"的两难，近两年随着视觉大模型微调、prompt tuning、元学习优化器三条主线的深度融合，这一经典难题正被快速改写。
本文从近年顶会顶刊中整理了10篇两者结合的最新前沿论文，正在做相关课题的伙伴可以直接下方领取论文及代码（部分包含），不管是快速搭baseline、找创新切口，还是跟最新技术趋势，都能省不少从零摸索的功夫。
长按识别下方二维码，回复【小样本目标】
无偿领全部论文合集及项目代码
On-the-Fly OVD Adaptation with FLAME: Few-shot Localization via Active Marginal-Samples Exploration
基于FLAME的开放式词汇检测即时自适应：通过主动边缘样本探索实现少样本定位
文章内容
针对开放词汇目标检测（OVD）模型在遥感等专业领域中，因自然语言歧义难以区分细粒度类别（如"渔船"与"游艇"）的问题，提出级联式自适应框架。框架先用大型预训练OVD模型生成高召回率目标候选框，再由仅靠少量用户标注样本实时训练的轻量级少样本分类器精炼为高精度结果。核心创新FLAME是一种一步式主动学习策略，通过密度估计识别决策边界附近的不确定边缘候选样本，再经聚类保证多样性，无需全模型微调即可在一分钟内完成自适应，在多个遥感基准上持续超越SOTA，显著降低遥感影像标注成本。
Practical Insights into Semi-Supervised Object Detection Approaches
半监督目标检测方法的实践洞见
文章内容
针对数据稀缺场景下半监督目标检测（SSOD）方法的选型困惑，该文系统对比了MixPL、Semi-DETR与Consistent-Teacher三种主流SOTA方法在不同标注规模下的表现。实验覆盖MS-COCO、Pascal VOC两个通用基准以及自定义的Beetle小类别数据集，从精度、模型规模、推理时延三个维度展开全面评测。研究揭示了低标注量区间各方法的性能权衡：当标注样本极少时，基于一致性正则的方法与基于伪标签/混合增强的方法呈现出截然不同的精度-效率曲线，为不同落地场景下的SSOD选型提供了可直接参考的实践依据。
Transformer-Based Cross-Domain Few-Shot Learning for Hyperspectral Target Detection
基于Transformer的跨域少样本学习高光谱目标检测方法
文章内容
针对高光谱目标检测中目标先验信息匮乏、正负样本严重失衡导致的深度学习瓶颈，提出TCFSL方法。该方法同时在源域与目标域构建少样本学习任务，借助跨域少样本学习迁移可共享的判别特征嵌入；并在特征级与分布级两个层面引入域适应机制：特征级域适应提取域内公共特征以缓解域偏移，基于跨Transformer的分布级域适应则聚合域间分布信息、捕获两域相似性。两个模块以统一方式联合训练，实现块间实时信息交互与参数协同调整。在6个高光谱数据集上的实验验证了其在跨域少样本场景下的优越检测性能。
↓↓听说在下方一键三连的都Accept了🌝
