《表5 不同检测模型的优缺点及适用场景》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《目标检测难点问题最新研究进展综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

2019年，Rahman等人[63]提出了直推学习方式来解决零样本目标检测问题。如图4所示，根据已知类预先训练好的模型给没有标记的未知类数据标注伪标签，然后将其加入训练集进行训练得到未知类检测模型。这种新的伪标记策略，将未标记的样本和相关的已知类动态关联起来，并使用一个固定的伪标记策略保留在源域获得的信息，有效地减少了对未知类的域偏移和模型偏差，在MS COCO数据集上获得了14.1%的m AP和37.2%的召回率。表5比较了不同的弱监督、少样本、零样本检测模型的优缺点及适用场景，在解决之前网络模型中出现的问题的同时，也会出现新的问题。由于可利用的监督信息很少，导致检测精度和召回率不佳，有待探索新的方法进一步提升此类网络模型的检测精度。