Few-Shot Objektdetektering
Few-Shot Object Detection (FSOD) er en meta-læringsmetode, der muliggør detektion af nye objektklasser ud fra kun få annoterede eksempler. I modsætning til standard objekt detektion, der kræver hundredvis af mærkede instanser per klasse, lærer FSOD hurtigt at tilpasse detektionsmodeller til nye objektkategorier ved at udnytte viden fra basale kategorier.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Wang, X., Huang, T. E., Darrell, T., Gonzalez, J. E., & Yu, F. (2020). Few-shot object detection with attention-RPN and multi-relation detector. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 9050-9059). link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Few-Shot Object Detection with Contrastive Learning. ScholarGate. https://scholargate.app/da/deep-learning/few-shot-object-detection
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DETR (Detection Transformer)Dyb læring↔ compare
- SimCLRDyb læring↔ compare
- Swin TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →