MIC: استخراج الخصائص بين الفئات لتحسين التعلم القياسي

تسعى التعلم القياسي (Metric Learning) إلى دمج صور الكائنات بطريقة تُمكّن من التقاط العلاقات المحددة بالفئات داخل الفضاء المدمج. ومع ذلك، فإن التباين في الصور لا ينبع فقط من فئات الكائنات المختلفة، بل يعتمد أيضًا على خصائص خفية أخرى مثل الزاوية المرئية أو الإضاءة. بالإضافة إلى هذه الخصائص المُنظَّمة، يُعَقِّد الضجيج العشوائي إدراك العلاقات البصرية المهمة. يعتمد النهج الشائع في التعلم القياسي على فرض تمثيل يكون غير حساس تجاه جميع العوامل باستثناء تلك ذات الاهتمام. على النقيض، نقترح التعلُّم صراحةً للخصائص الخفية المشتركة بين فئات الكائنات المختلفة، والتي تمتد عبرها. وبهذا، يمكننا تفسير التباين البصري المنظم مباشرةً، بدلًا من افتراضه كضجيج عشوائي غير معروف. نُقدِّم مهمة بديلة جديدة لتعلُّم الخصائص البصرية المشتركة عبر الفئات باستخدام مشفر منفصل. ويتم تدريب هذا المشفر مع المشفر المُخصَّص لمعلومات الفئة من خلال تقليل المعلومات المتبادلة بينهما. وقد أظهرت النتائج تحسنًا كبيرًا على خمسة معايير قياسية لاسترجاع الصور، متفوقةً على أحدث الأداءات المُحقَّقة في المجال.