由于玻璃特殊的光学性质,日常生活中透过玻璃拍摄的照片通常会被反射遮挡,从而影响信息的获取,如何去除反射并恢复图像被遮挡的信息成为一个亟需解决且富有挑战性的任务。由于照片的首要关注点是人脸,所以带有反射的人脸图像会给观众带来更大的困扰。近年来,在具备丰富标记数据的前提下,基于深度学习的目标检测器取得了较好的性能表现。然而,数据标注通常是昂贵且耗时的。因此,能够从一个标记样本中学习一个泛化模型的one-shot学习亟需被引入到目标检测中。本文提出了一种基于彩色（RGB）和近红外（NIR）图像多光谱融合的人脸反射去除网络,称为人脸反射去除网络（FRRN）。由于可见光（380-780 nm）和近红外（780-2526 nm）的光谱波段不同,近红外相机对可见光不敏感,因此近红外图像受可见光反射的影响较小,从而很好地保留了图像的结构信息用于指导RGB图像去反射的复原过程。FRRN由一个编码器（上下文编码器（CE））和两个解码器（NIR推理解码器（NID）和图像推理解码器（IID））组成。CE编码器在抑制稀疏反射分量的同时,从浅层到深层捕捉场景信息上的特征。NID解码器推断近红外图像的信息以便在多尺度上指导反射去除,而IID解码器则在NID解码器的指导下推断透射层（背景层）的信息。此外,我们还提出了基于Laplacian卷积和SE残差块的反射置信生成模块（RCGM）来表示反射去除区域内的反射置信度。鉴于目前没有适用于训练FRRN网络的公开数据集,我们使用JAI AD-130GE相机构建了一个包含人脸图像和反射层（RGB和NIR图像）的大规模训练数据集及其相应的测试数据集。实验结果表明,FRRN在视觉质量和指标测量方面优于当前最好的反射去除方法。许多基于深度学习的视觉任务（包括人脸去反射）都面临着数据集匮乏的难题,因此,如何从有限的数据集中训练得到一个泛化性良好的模型成为了亟待解决的问题。而单样本目标检测任务为该问题提供了一个可行的解法。在本文中,我们提出了一种基于多自适应对齐的单样本目标检测网络,通过更有效的特征表达,从单样本中提取特征。该框架基于Faster-RCNN,利用孪生卷积网络分别提取索引图像和目标图像的特征表示,然后通过聚合索引特征和目标特征生成融合特征图用于最终的分类和定位任务。该框架通过分层对齐和聚合对齐自适应地混淆不同层次的特征,从而学习目标图像和索引图像之间的本质关联。实验结果表明,在MS-COCO数据集上,该方法将不可见类目标检测的准确率从24.3 AP50提高到26.2 AP50。