现有的大部分目标检测算法都依赖于大规模的标注数据集来保证检测的正确率，但某些场景往往很难获得大量标注数据，且耗费大量人力、物力。针对这一问题，提出了基于负边距损失的小样本目标检测方法（NM?FSTD），将小样本学习（FSL）中属于度量学习的负边距损失方法引入目标检测，负边距损失可以避免将同一新类的样本错误地映射到多个峰值或簇，有助于小样本目标检测中新类的分类。首先采用大量训练样本和基于负边距损失的目标检测框架训练得到具有良好泛化性能的模型，之后通过少量具有标签的目标类别的样本对模型进行微调，并采用微调后的模型对目标类别的新样本进行目标检测。为了验证NM?FSTD的检测效果，使用MS COCO进行训练和评估。实验结果表明，所提方法AP50达到了22.8%，与Meta R?CNN和MPSR相比，准确率分别提高了3.7和4.9个百分点。NM?FSTD能有效提高在小样本情况下对目标类别的检测性能，解决目前目标检测领域中数据不足的问题。
