矢量数据库是一种新兴的数据库类型，专门用于存储和处理高维数据，在拥有对矢量的计算和分析能力的同时，也和传统数据库一样拥有对结构化数据的管理能力。本文对矢量数据库进行了详尽的介绍，从用户需求，即深度学习模型需要存储和比较海量数据的角度出发，介绍了矢量数据库的发展。之后介绍了矢量的定义、类型和算法，以及矢量数据库的工作原理，如索引编排、矢量查询、矢量后处理等，深入剖析了矢量数据库的底层逻辑。之后，本文介绍了矢量数据库系统的架构，存储管理、安全管理等，展示了现代的矢量数据库系统是如何在分布式场景下运作。最后，本文介绍了矢量数据库的一些应用场景，如图像检索、搜索引擎等，展示了矢量数据库的具体应用价值。
随着深度学习的发展，计算机视觉领域取得了显著进展。然而，在小样本学习（Few-Shot Learning）场景下，传统的全局特征匹配方法往往难以捕捉图像中的细粒度信息，导致性能下降。
为了解决这一问题，研究者提出了Set-to-Set区域特征匹配方法，通过比较图像中的局部区域特征来提升匹配效果。
随着深度学习的发展，计算机视觉领域取得了显著进展。然而，在小样本学习（Few-Shot Learning）场景下，传统的全局特征匹配方法往往难以捕捉图像中的细粒度信息，导致性能下降。
为了解决这一问题，研究者提出了Set-to-Set区域特征匹配方法，通过比较图像中的局部区域特征来提升匹配效果。
Few-shot learning旨在利用极少量数据使模型适应一个任务。由于样本量及其稀少，提取有效知识变得困难，模型非常容易过拟合到背景和噪声信息上。
本文调查了few-shot learning中提取知识的方法，包括模型结构、微调策略、度量策略等方面的设计，并希望总结出一些规律，在prompt tuning的设计上能够有所启发。
Towards Open World Object Detection (CVPR 2021 Oral) 提出了一个新的领域：开放世界目标检测(OWOD)，该任务具体来说如下： 1. 测试集图像中可能包含来自未知类别的目标，需要把这些目标分类为unknown 2. 当某些未知类别的目标变得已知后，模型可以逐渐学习到这些类别
CNN在传统目标检测领域有很大的发展，并在医学图像、自动驾驶等领域具有广泛的应用。但是在旋转目标检测领域，一些传统方法便不再适用了。例如，水平矩形框的IoU计算方式要迁移到旋转矩形框上显得极为复杂且不可导；或是角度的加入导致了回归的边界和顺序问题。
深度学习在传统目标检测领域取得了很大的进展，然而在旋转目标检测上，传统的目标检测方法却有许多困难。由于目标边界框方向不定，基于水平边界框的检测方法无法适用。一些检测方法引入角度参数，然而这将导致回归的边界和顺序问题，导致损失不连续、回归困难等问题。
卫星遥感图像是一类特殊的图像，与通用目标相比，遥感图像的目标具有尺度差异大、目标分布密集等特点。同时，由于遥感目标具有明确的方向性，针对遥感目标往往设计了特殊的边界框。与传统目标的边界框相比，遥感目标的边界框往往是倾斜的，且不一定是矩形而是普通的四边形。针对这一特殊领域，各种旋转目标检测方法应运而生。
本文对旋转目标和典型旋转目标检测方法进行介绍，对其特点进行分析，希望能找到一些发展方向。
小目标检测是目标检测的一大难点，由于像素信息小、样本不均衡、严重的遮挡和模糊等原因，小目标检测的性能一直很难被有效提升。近年来，顶会发布的针对小目标检测的论文并不多，大多数方法除了对小目标有效之外，其实对通用目标的性能提升也是有帮助的。
多元分析是多变量的统计分析方法，是数理统计中应用广泛的一个重要分支。
判别分析是一种分类方法。假定有