اكتشاف الأشياء النادرة من أمثلة قليلة هو مشكلة ناشئة. تظهر الدراسات السابقة أن التعلم الميتا (meta-learning) هو نهج واعد. ومع ذلك، لم يحظَ تقنيات التعديل الدقيق (fine-tuning) باهتمام كبير. لقد اكتشفنا أن تعديل الدقيق للطبقة الأخيرة فقط من الكاشفات الموجودة على فئات الأشياء النادرة أمر حاسم في مهمة اكتشاف الأشياء بقليل من الأمثلة. هذا النهج البسيط يتفوق على طرق التعلم الميتا بمقدار حوالي 2-20 نقطة في المقاييس الحالية وأحيانًا حتى يضاعف دقة الطرق السابقة. ومع ذلك، فإن التباين العالي في العينات القليلة غالبًا ما يؤدي إلى عدم موثوقية المقاييس الحالية. قدمنا تعديلات على بروتوكولات التقييم من خلال أخذ عينات متعددة من أمثلة التدريب للحصول على مقارنات مستقرة وقمنا بإنشاء مقاييس جديدة بناءً على ثلاثة مجموعات بيانات: PASCAL VOC، COCO وLVIS. مرة أخرى، يثبت نهجنا في التعديل الدقيق تفوقه ويحدد مستوى جديد للمعايير المعدلة. الرمز البرمجي والنموذج المعده مسبقًا متاحان على الرابط https://github.com/ucbdrive/few-shot-object-detection.