杨玉宽：2013级清华大学精仪系本科生，2017级清华大学类脑计算研究中心博士生，2019年2020年在微软亚洲研究院实习，研究方向为计算机视觉，神经网络压缩，脉冲神经网络，类脑计算等。
报告题目：综合利用正、负样本信息的小样本目标检测
报告摘要：小样本学习的目标是利用样本丰富类别（base classes）提取先验知识并将其推广到弱监督小样本类别（novel classes）的新任务。本论文首次揭示了负样本信息在小样本目标检测的重要性，通过引入一种新的基于正负样本信息的度量学习训练和推理框架NP-RepMet，提出综合利用正样本信息和负样本信息进行小样本目标检测任务。实验表明，负样本信息的加入能够显著提升小样本目标检测性能，在ImageNet-LOC和Pascal VOC数据集上mAP能够提升10%以上。
Spotlight：
揭示了负样本信息在小样本目标检测中的重要性，建立了综合利用正负样本信息进行小样本目标检测的框架NP-RepMet；
基于度量学习设计了小样本目标检测训练和推理机理，并建立了负样本选取策略；
小样本目标检测性能得到显著提升，在ImageNet-LOC和Pascal VOC数据集上mAP能够提升10%以上。
1. Faster R-CNN Towards Real-Time Object Detection with Region Proposal Networks
推荐理由：目标检测基础论文。
2. Matching Networks for One Shot Learning
推荐理由：小样本学习入门论文，用于图像分类任务。
3. Learning to Compare Relation Network for Few-Shot Learning
推荐理由：增加了relation module，用于图像分类任务。
4. Generalizing from a Few Examples A Survey on Few-Shot Learning
推荐理由：小样本学习比较全面的综述论文。
5. RepMet Representative-based metric learning for classification and few-shot object detection
推荐理由：将度量学习引入小样本学习并用于目标检测任务。
6. Meta R-CNN Towards General Solver for Instance-level Low-shot Learning
推荐理由：将注意力机制引入小样本目标检测。
