التطورات الحديثة في اكتشاف الأشياء تُعزى بشكل رئيسي إلى التعلم العميق مع مقاييس الكشف على نطاق واسع. ومع ذلك، فإن مجموعة التدريب المصححة بالكامل غالبًا ما تكون محدودة لمهام الكشف المستهدفة، مما قد يؤدي إلى تدهور أداء مكتشفات التعلم العميق. لمعالجة هذا التحدي، نقترح في هذه الورقة مكتشف نقل منخفض الإطلاق (LSTD)، حيث نستفيد من المعرفة الغنية لمجال المصدر لبناء مكتشف فعال لمجال الهدف باستخدام عدد قليل جدًا من أمثلة التدريب. يتم وصف المساهمات الرئيسية كالتالي: أولاً، صممنا هيكلية عميقة مرنة للـ LSTD لتخفيف صعوبات النقل في الكشف منخفض الإطلاق. يمكن لهذه الهيكلية دمج مزايا كل من SSD وFaster RCNN في إطار عميق موحد. ثانياً، قدمنا إطار تعلم نقل منظم جديد للكشف منخفض الإطلاق، حيث تم اقتراح تنظيمات المعرفة المنقولة (TK) والقمع الخلفي (BD) للاستفادة من معرفة الأشياء على التوالي من مجالات المصدر والهدف، وذلك بهدف تعزيز التعديل الدقيق باستخدام عدد قليل من الصور المستهدفة. أخيرًا، قمنا بفحص LSTD في العديد من التجارب الصعبة للكشف منخفض الإطلاق، حيث أظهر LSTD تفوقه على الأساليب الرائدة الأخرى. تدل النتائج على أن LSTD هو مكتشف عميق مفضل للسيناريوهات ذات الإطلاق المنخفض.