小样本目标检测仅需要提供少量（通常少于等于10个）新类样本情况下，即可以检测出训练集之外类别目标的方法。在机器人的自主探索中，我们只能在线标注提供少量的新类样本，但却期望机器人在未知环境中检测到（模型训练过程中未见过的）新的物体。因此，小样本目标检测在机器人领域越来越受到关注。

现有的小目标检测方法在应用前都遵循训练、小样本微调的两阶段范式。然而微调阶段并不适用于机器人在线探索的场景。在机器人实际的自主探索过程中，待检测的新类别是动态变化，可能无限增加的，而新一轮的微调不仅影响效率，更会加大机器人机载算力的负荷。同时，微调阶段的很多超参数都需要验证集进行验证，如学习率、模型收敛epoch等等。这些对于在线探索任务而言，都是难以进行的。

在 ECCV 2022 中，来自卡内基梅隆大学 Robotics Institute 的在读博士李博文等人针对机器人自主探索任务，最新设计并提出了一种无需微调的小样本目标检测方法 AirDet。其模型的核心是“与类别无关的关联性（class-agnostic relation）”，包括空间关联性与通道关联性。经过预训练后，未经微调的 AirDet 表现甚至优于部分微调后的方法。在COCO，VOC，LVIS数据集与 DARPA Subt 挑战赛真实数据中的详尽实验也评估证明了 AirDet 的优越性与可行性。

2月17日早10点，AI新青年讲座第195讲邀请到卡内基梅隆大学Robotics Institute在读博士、AirDet一作李博文参与，主讲《无需微调的移动机器人小样本目标检测方法》。