In dieser Arbeit untersuchen wir die Objekterkennung unter Verwendung eines großen Pools von nicht beschrifteten Bildern und nur wenigen beschrifteten Bildern pro Kategorie, was als "Objekterkennung mit wenigen Beispielen" (few-example object detection) bezeichnet wird. Die Hauptausforderung besteht darin, so viele vertrauenswürdige Trainingsbeispiele wie möglich aus dem Pool zu generieren. Unter Verwendung weniger Trainingsbeispiele als Samenpunkte iteriert unsere Methode zwischen Modelltraining und der Auswahl von hochvertrauenswürdigen Beispielen. Im Training werden zunächst einfache Beispiele generiert, danach verbessert sich das schlecht initialisierte Modell. Mit der steigenden Diskriminierfähigkeit des Modells werden herausfordernde, aber zuverlässige Beispiele ausgewählt. Danach findet eine weitere Runde der Modellverbesserung statt. Um die Genauigkeit und den Recall der generierten Trainingsbeispiele weiter zu erhöhen, integrieren wir mehrere Erkennungsmodelle in unser Framework, was sich als überlegen erwiesen hat gegenüber sowohl dem Einzelmodell-Basisansatz als auch der Modell-Ensemble-Methode. Experimente auf PASCAL VOC'07, MS COCO'14 und ILSVRC'13 zeigen, dass unsere Methode durch die Verwendung von nur drei oder vier für jede Kategorie ausgewählten Beispielen sehr wettbewerbsfähige Ergebnisse erzielt im Vergleich zu den neuesten schwach überwachten Ansätzen, die eine große Anzahl von bildbasierten Labels verwenden.