Few-Shot-Objekterkennung
Few-Shot-Objekterkennung (FSOD) ist ein Meta-Lern-Ansatz, der die Erkennung neuartiger Objektklassen aus nur wenigen annotierten Beispielen ermöglicht. Im Gegensatz zur Standard-Objekterkennung, die Hunderte von beschrifteten Instanzen pro Klasse erfordert, lernt FSOD, Erkennungsmodelle schnell an neue Objektkategorien anzupassen, indem es Wissen aus Basis-Kategorien nutzt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Few-Shot Object Detection with Contrastive Learning. ScholarGate. https://scholargate.app/de/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)Deep Learning↔ compare
- SimCLRDeep Learning↔ compare
- Swin TransformerDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →