Wykrywanie obiektów z niewielu przykładów
Wykrywanie obiektów z niewielu przykładów (FSOD) to podejście meta-uczenia, które umożliwia wykrywanie nowych klas obiektów na podstawie zaledwie kilku adnotowanych przykładów. W przeciwieństwie do standardowego wykrywania obiektów, które wymaga setek oznakowanych instancji na klasę, FSOD uczy się szybko adaptować modele wykrywania do nowych kategorii obiektów, wykorzystując wiedzę z kategorii bazowych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Few-Shot Object Detection with Contrastive Learning. ScholarGate. https://scholargate.app/pl/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)Uczenie głębokie↔ compare
- SimCLRUczenie głębokie↔ compare
- Swin TransformerUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →