计算机工程与应用

作者：闫丽蓉, 张永兵, 唐晓芬

单位：1.宁夏大学 信息工程学院，银川 750021；2.宁夏“东数西算”人工智能与信息安全重点实验室，银川 750021；

关键词：数据受限,分布偏移,目标检测,深度学习

基金：国家自然科学基金（61966029）。

基于深度学习的目标检测性能在大规模高质量数据驱动下显著提升。然而，实际应用中，尤其在医学图像等低数据领域，面临着数据分布偏移引发的域外泛化瓶颈、小样本条件下的类别识别困境，以及弱标注与不均衡数据导致的决策鲁棒性下降等挑战，限制了模型的应用效能。现有研究大多从单域角度综述数据受限下的视觉目标检测算法。统一综述了不均衡数据、小样本数据和弱标注数据三大典型挑战下的分布偏移问题，并重点聚焦医学图像这一场景中的目标检测方法；通过深入分析最新研究进展，揭示了当前方法在跨域适应性、小样本泛化能力等方面存在的根本性瓶颈，包括不均衡数据下的域间特征解耦不充分、小样本表征能力有限以及弱标注引发的标注噪声敏感性等问题。针对这些挑战，探讨了因果机制、多模态学习等潜在解决方案，为突破数据与标注的双重约束提供新思路。不仅梳理了当前研究中的关键难点与突破方向，还为视觉目标检测的创新方法和实际应用提供了系统性参考。

来源：2026年第3期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第3期