في هذا البحث، ندرس اكتشاف الأشياء باستخدام مجموعة كبيرة من الصور غير المصنفة وعدد قليل فقط من الصور المصنفة لكل فئة، وهي الطريقة المعروفة بـ "اكتشاف الأشياء بنماذج قليلة" (few-example object detection). التحدي الرئيسي يكمن في إنتاج عينات تدريبية موثوقة بأكبر عدد ممكن من المجموعة. باستخدام عينات تدريبية قليلة كبذور، يتنقل أسلوبنا بين تدريب النموذج واختيار العينات ذات الثقة العالية. أثناء التدريب، يتم إنتاج العينات السهلة أولاً، ثم يشهد النموذج غير المبادَر تحسيناً. مع زيادة تمييز النموذج، يتم اختيار عينات صعبة ولكنها موثوقة. بعد ذلك، يحدث جولة أخرى من تحسين النموذج. لتحسين الدقة والاسترجاع للعينات التدريبية المنتجة بشكل أكبر، ندمج عدة نماذج اكتشاف في إطارنا العملاني، وقد ثبت أنها تتفوق على الطريقة الأساسية التي تعتمد على نموذج واحد وعلى طريقة الجمع بين النماذج (model ensemble method). التجارب التي أجريت على مجموعات بيانات PASCAL VOC'07 و MS COCO'14 و ILSVRC'13 أشارت إلى أن استخدام ثلاث أو أربع عينات فقط تم اختيارها لكل فئة يمكن أن ينتج عن طريقتنا نتائج تنافسية للغاية عند مقارنتها بالطرق شبه المراقبة الأكثر تقدماً والتي تعتمد على عدد كبير من التسميات على مستوى الصورة.