اكتشاف الأشياء بقليل من الأمثلة من خلال إعادة توزيع الخصائص

تتطلب التدريب التقليدي للكاشف القائم على الشبكة العصبية المعمقة (CNN) عددًا كبيرًا من ملاحظات الصناديق الحدودية، والتي قد تكون غير متاحة للأصناف النادرة. في هذا العمل، نطور كاشف أشياء قليل الإطارات يمكنه تعلم اكتشاف الأشياء الجديدة من أمثلة مُشَرَّحة قليلة فقط. يعتمد النموذج المقترح على فئات الأساس التي تم تسميتها بالكامل ويتكيّف بسرعة مع الفئات الجديدة، باستخدام متعلم خصائص متقدم وإعادة وزن داخل هندسة الكشف ذات المرحلة الواحدة. يستخرج متعلم الخصائص خصائصًا متقدمة قابلة للتعميم لاكتشاف فئات الأشياء الجديدة، باستخدام بيانات التدريب من فئات الأساس التي تحتوي على عينات كافية. يقوم وحدة إعادة الوزن بتحويل عدد قليل من الأمثلة الداعمة من الفئات الجديدة إلى متجه عالمي يشير إلى أهمية أو صلة الخصائص المتقدمة لاكتشاف الأشياء المقابلة. يتم تدريب هذين الوحدتين، بالإضافة إلى وحدة التنبؤ بالكشف، بشكل شامل بناءً على نظام تعلم قليل الإطارات حِلقي ومُعَدٍّ بدقة دالة خسارة. من خلال التجارب الواسعة نثبت أن نموذجنا يتفوق بشكل كبير على الخطوط الأساسية المعروفة جيدًا في مجال كشف الأشياء قليل الإطارات، وعلى عدة مجموعات بيانات وأوضاع. كما نقدم تحليلًا لمختلف جوانب النموذج المقترح، بهدف تقديم بعض الإلهام لأعمال الكشف قليل الإطارات المستقبلية.