Détection d'objets à peu d'exemples
La détection d'objets à peu d'exemples (FSOD) est une approche de méta-apprentissage qui permet de détecter de nouvelles classes d'objets à partir de seulement quelques exemples annotés. Contrairement à la détection d'objets standard qui nécessite des centaines d'instances étiquetées par classe, la FSOD apprend à adapter rapidement les modèles de détection à de nouvelles catégories d'objets en exploitant les connaissances des classes de base.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Few-Shot Object Detection with Contrastive Learning. ScholarGate. https://scholargate.app/fr/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)Apprentissage profond↔ compare
- SimCLRApprentissage profond↔ compare
- Swin TransformerApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →