دلتا-إنكودر: طريقة فعّالة لتركيب العينات للتمييز بين الأشياء بقليل من البيانات
تعلم تصنيف فئات جديدة بناءً على مثال واحد أو عدد قليل من الأمثلة هو تحدي قائم منذ فترة طويلة في مجال الرؤية الحاسوبية الحديثة. في هذا العمل، نقترح طريقة بسيطة ومعتبرة للاعتراف بالأشياء في حالات القليل من الأمثلة (والمثال الواحد). تتمثل طريقتنا في استخدام مُشفِّر معدل، يُشار إليه باسم دلتا-مُشفِّر (Delta-encoder)، حيث يتعلم إنشاء أمثلة جديدة لفئة غير معروفة بمجرد رؤيته لأمثلة قليلة منها. يتم استخدام الأمثلة المنشأة بعد ذلك لتدريب تصنيف. الطريقة المقترحة تتعلم استخراج التحولات القابلة للنقل داخل الفئة (الدلتا) بين أزواج من أمثلة التدريب من نفس الفئة، وتطبيق هذه الدلتا على الأمثلة القليلة المقدمة لفئة جديدة (غير مرئية أثناء التدريب) من أجل إنشاء أمثلة بكفاءة من هذه الفئة الجديدة. تحسن الطريقة المقترحة على أحدث ما وصل إليه العلم في مجال الاعتراف بالمثال الواحد وتقارن بشكل ملائم في حالة القليل من الأمثلة. سيتم توفير الكود عند قبول البحث.