当前基于深度学习的目标检测算法已较为成熟。然而，基于少量样本检测新类仍具有挑战性，因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练，在此基础上构建新类的特征空间。然而，新类基于多个基类隐式地构造特征空间，其结构较为分散，导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头，提升模型对训练样本的利用率，基于二者间的语义相似度，显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数，提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明，所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。

当前大部分目标检测都依赖于大规模的标注数据集来保证其检测的正确率, 而在实际场景中, 大量数据的获取是十分困难的, 且对数据的标注也需要花费大量人力物力。针对这一问题提出了一种基于Faster RCNN的少样本目标检测算法(CA-FSOD), 在目标类别仅有少量标注样本的情况下, 对目标样本进行检测。为了提高检测性能, 首先提出了CBAM-Attention-RPN模块, 减少无关候选框的数量; 其次提出了全局-局部关系检测器模块, 通过关联少量标注样本和待检测样本的特征, 获取与目标类别更相关的候选区域; 最后提出了基于余弦Softmax损失的分类器作为目标检测的分类分支, 能有效地聚合同类别特征、降低类内方差、提高检测精度。为了验证所提算法, 在MS COCO数据集上进行了训练和测试, 实验结果表明, 该方法的AP50为21.9%, 优于目前一些少样本目标检测算法。