代表性样本选择机制

少样本检测大幅提升

在基训练与微调阶段之间引入主动代表性样本选择，利用密度峰值聚类提取并重加权样本，同时保持基类识别能力并为新类检测提供更强的比较信息。

Liang, Zhou · 任江涛

Pattern Recognition 2026

参数信息

mAP(50)

0.440

mAP(50)

0.344

mAP(50)

0.497

技术优势

无需手工设计训练集

通过密度峰值聚类自动提取代表性样本，并根据邻居标签信息重加权，省去了人工筛选微调样本的步骤。

性能提升显著

在多个数据集和shot设置下均超越基线，例如RDD2022 30 shots场景mAP(50)从0.420提升到0.497。

应用场景

• 具身智能：让机器人在少量样本下快速识别新物体，快速适应新环境。
• 工业视觉检测：减少缺陷检测中的人工标注成本，只需少量样本即可训练出高精度模型。
• 无人机巡检：无人机巡检中，对新出现的病害或目标只需少量标注即可扩展检测能力。
• 精密仪器与测量：仪器视觉系统中，对新类别物体的检测无需大量数据采集，缩短部署周期。
• 智能传感：智能传感节点可动态学习新目标类别，提升边缘设备的适应能力。