يهدف هذا البحث إلى معالجة المشكلة الصعبة للكشف عن الأشياء في حالة واحدة فقط (one-shot object detection). بالنظر إلى صورة استعلامية (query image patch) لا يحتوي تصنيفها على معلومات التدريب، فإن الهدف من المهمة هو الكشف عن جميع الحالات التي تنتمي لنفس الفئة في الصورة المستهدفة. لتحقيق هذا الهدف، قمنا بتطوير إطار عمل جديد يُسمى {\em التركيز المشترك والتحفيز المشترك} (CoAE)، والذي يقدم إسهامات فنية رئيسية في ثلاثة جوانب أساسية. أولاً، نقترح استخدام العملية غير المحلية (non-local operation) لاكتشاف التركيز المشترك الموجود في كل زوج من الاستعلامات والأهداف وإنتاج اقتراحات المناطق التي تأخذ بعين الاعتبار حالة واحدة فقط. ثانياً، نصوغ مخطط ضغط وتحفيز مشترك يمكنه تعزيز القنوات ذات الميزات المرتبطة بشكل تكيفي لمساعدتنا على كشف الاقتراحات ذات الصلة وأخيراً الأشياء المستهدفة. ثالثاً، نصمم خسارة تصنيف هامشية (margin-based ranking loss) لتعلم ضمني للمقياس الذي يمكنه التنبؤ بمدى تشابه اقتراح المنطقة مع الاستعلام الأساسي، سواء كان تصنيفها موجودًا أو غير موجود في التدريب. وبالتالي，则生成的模型是一个两阶段检测器，在VOC和MS-COCO数据集的一次性对象检测设置下，无论是已见类别还是从未见过的类别，该模型都能提供强大的基线性能。代码可在https://github.com/timy90022/One-Shot-Object-Detection 获取。修正后的翻译：وبالتالي، فإن النموذج الناتج هو كاشف ذو مرحلتين يحقق أداءً قويًا كأساس أولي على كل من مجموعتي بيانات VOC و MS-COCO تحت إعداد الكشف عن الأشياء في حالة واحدة فقط، سواء كانت فئاتها مستخدمة سابقًا أم لم تكن كذلك خلال التدريب. يمكن الحصول على الكود من https://github.com/timy90022/One-Shot-Object-Detection.