Résumé
Les réseaux récents pour la détection d’objets obtiennent d’excellentes performances quand ils sont entraînés sur de grandes bases de données, mais ont toujours des difficultés pour apprendre un nouvel objet avec peu d’exemples. Les méthodes de ce domaine utilisant plutôt des architectures lourdes, nous avons décidé d’adapter les modules présentés dans DeFRCN dans l’architecture plus récente et rapide de Yolov8. Nous montrons ici l’impact de cette modification sur le benchmark MSCOCO, et finalement parlons des biais de cette méthode.