تشخیص شیء با نمونههای کم
تشخیص شیء با نمونههای کم (FSOD) یک رویکرد یادگیری فرامدی (meta-learning) است که امکان تشخیص کلاسهای جدید اشیاء را تنها با چند مثال حاشیهنویسی شده فراهم میکند. برخلاف تشخیص استاندارد شیء که به صدها نمونه برچسبگذاری شده در هر کلاس نیاز دارد، FSOD یاد میگیرد تا مدلهای تشخیص را با استفاده از دانش دستههای پایه، به سرعت با دستههای جدید اشیاء تطبیق دهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Few-Shot Object Detection with Contrastive Learning. ScholarGate. https://scholargate.app/fa/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)یادگیری عمیق↔ compare
- سیمسیالآر (SimCLR)یادگیری عمیق↔ compare
- ترنسفورمر سوین (Swin Transformer)یادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →