Detección de Objetos con Pocos Ejemplos
La Detección de Objetos con Pocos Ejemplos (Few-Shot Object Detection, FSOD) es un enfoque de meta-aprendizaje que permite detectar clases de objetos novedosas a partir de solo unos pocos ejemplos anotados. A diferencia de la detección de objetos estándar, que requiere cientos de instancias etiquetadas por clase, la FSOD aprende a adaptar rápidamente modelos de detección a nuevas categorías de objetos aprovechando el conocimiento de categorías base.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Few-Shot Object Detection with Contrastive Learning. ScholarGate. https://scholargate.app/es/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)Aprendizaje profundo↔ compare
- SimCLRAprendizaje profundo↔ compare
- Swin TransformerAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →