Key points are not available for this paper at this time.
تُعزى التقدمات الأخيرة في اكتشاف الكائنات بشكل أساسي إلى التعلم العميق مع معايير كشف واسعة النطاق. ومع ذلك، غالبًا ما تكون مجموعة التدريب المعلّمة بشكل كامل محدودة لمهمة الكشف عن الهدف، مما قد يؤدي إلى تدهور أداء المكتشفات العميقة. لمواجهة هذا التحدي، نقترح في هذه الورقة كاشف انتقال منخفض اللقطات (LSTD) جديد، حيث نستفيد من معارف المجال المصدر الغنية لبناء كاشف فعال لمجال الهدف مع عدد قليل جدًا من أمثلة التدريب. تُوصف المساهمات الرئيسية كما يلي. أولاً، نصمم بنية عميقة مرنة لـ LSTD لتخفيف صعوبات النقل في الاكتشاف منخفض اللقطات. يمكن أن تدمج هذه البنية مزايا كل من SSD و Faster RCNN في إطار عميق موحد. ثانيًا، نقدم إطارًا جديدًا موضعيًا للانتقال للتعلم لاكتشاف منخفض اللقطات، حيث يتم اقتراح تنظيمات نقل المعرفة (TK) واكتئاب الخلفية (BD) لاستغلال معرفة الكائنات على التوالي من المجالات المصدر والهدف، لتعزيز تحسين النماذج ببضع صور من الهدف. أخيرًا، نختبر LSTD لدينا على عدد من تجارب الاكتشاف منخفض اللقطات التحدي، حيث يتفوق LSTD على الأساليب الأخرى المتقدمة. تظهر النتائج أن LSTD هو كاشف عميق مفضل لمواقع اللقطات المنخفضة.
درس تشين وآخرون (Mon،) هذا السؤال.