未來的自動化工業場域中，物件偵測模型必須克服標註樣本過少的問題及能夠迅速針對當下產線需求進行微調。本技術開發全新物件偵測學習技術，使少樣本物件偵測模型與機械手臂進行協作，對新目標物進行動態多樣性資料收集與逐步適應於當前任務，並能持續學習進步，訓練過程無需任何人為標註資料，在相關領域呈現極大進展。

全新少樣本物件偵測技術，表現大幅超越現今類型方法，且面對各式樣本資料保有最佳的穩定性，配合物體夾取系統提出全新、基於與機械手臂協作的物件偵測學習方式，能以在線、自適應的形式靈活學習當下任務所需知識，且隨著持續觀察樣本能逐漸進步，無需人為標註資料，所訓練出的模型表現超越傳統及少樣本物件偵測模型。

開發的技術可以讓機器手臂在生產線快速部署，人機共同協作，協助工業4.0落地。同時考慮生產線上訓練樣本數太少的問題，將少量樣本學習 (few-shot learning) 的架構帶入深度學習網路設計，解決生產線上訓練樣本太少的問題以及大大降低技術導入生產線的時間，為邁入工業自動化最關鍵的技術。

天使投資人、策略合作夥伴