例如，如果我试图检测“ Waldo's Waldo”图像（每个图像中密集有数百人的图像）中的人（并对其进行细分），并根据他们穿着的衬衫的颜色来标记每个人，一个小的数据集（总共10-100张用于训练和验证的图像）是否足够，因为每个图像中有很多“对象”实例（假设我使用来自COCO的预训练权重）？对于这些情况，拥有一个大数据集（> 1000张图像）是否至关重要（假设您使用的是某些检测-分割算法，例如Mask R-CNN）？
可以从另一个角度查看问题：
更重要的是，您训练分割算法所依据的图像数量或整个数据集范围内可检测对象的实例数量？
这是一个很好的问题。如果您摆出这是一个基于颜色的细分（在该细分之上加上聚类以检测“对象”），则由于聚类（“人”）通常是不同的，因此您可能可以使用较少的图像来摆脱困境。
我还建议合并优先级，而不是仅馈送数据（因为您的数据较少）。使用说高斯混合模型的基于颜色的分割如何工作？增量GMM之类的聚类技术如何工作？如果这些方法不起作用，则可以尝试将其与深度学习技术结合使用。通常，更少的数据=合并先验才能完成工作！