场景：目标图像获取困难，可用原始样本数量少
1.1 通过图像处理增强方式，如仿射变换、透视变换等，增加训练样本
1.2 通过GAN生成训练集
方案二、迁移学习
图像检测分类的通用范式，在近似场景，采用大规模的数据训练网络，获得接近目标场景的网络参数，然后在新的数据集上使用小样本训练新的分类器/检测头。
方案三、度量学习
3.1 分类
类似孪生网络，通过对比学习训练使网络具备区分同类/不同类样本的能力，推理阶段：1、将小样本表征平均作为每类特征原型，新样本表征与各类比较计算相似度，去相似度最高的类别。
3.2 检测
如FSOD，对比训练策略+attention based RPN，核心是目标间的匹配关系
在元训练阶段，首先从训练集中随机抽取C个类别，每个类别包含K个样本，构成模型的支撑集，即为一个元任务。目的是为了使得模型从C X K个数据中学习识别C个类别（K值很小，通常K<10）
在少量样本的情况下引入其他模态信息进行融合
