دراسة أوسع للتعلم القليل الحالة عبر المجالات

إن التقدم الأخير في التعلم القليل العينات يعتمد بشكل كبير على البيانات المُعلَّمة لتعلم الميتا: حيث يتم اختيار الفئات الأساسية من نفس المجال الذي تنتمي إليه الفئات الجديدة. ومع ذلك، في العديد من التطبيقات، يُصبح جمع البيانات لغرض تعلم الميتا مستحيلاً أو غير ممكن. هذا يؤدي إلى مشكلة التعلم القليل العينات عبر المجالات المختلفة، حيث توجد فجوة كبيرة بين مجالات الفئات الأساسية والفئات الجديدة. وعلى الرغم من وجود أبحاث تتناول السيناريو الخاص بالتعلم القليل العينات عبر المجالات المختلفة، إلا أن هذه الدراسات محدودة بالصور الطبيعية التي لا تزال تحتوي على درجة عالية من التشابه البصري. لا توجد حتى الآن أي دراسة تفحص التعلم القليل العينات عبر أساليب تصوير مختلفة تُلاحظ في السياقات الواقعية، مثل التصوير الجوي والتصوير الطبي. في هذا البحث، نقترح معيارًا يُسمى "دراسة أوسع للتعلم القليل العينات عبر المجالات المختلفة" (BSCD-FSL)، يتضمن بيانات صور متنوعة مأخوذة من طرق مختلفة لجمع الصور. ويشمل ذلك الصور الطبيعية، مثل صور أمراض المحاصيل، بالإضافة إلى الصور التي تزداد اختلافًا تدريجيًا عن الصور الطبيعية، مثل صور الأقمار الصناعية، وصور الجلدية، وصور الأشعة السينية. تم إجراء تجارب واسعة على المعيار المقترح لتقييم أحدث أساليب تعلم الميتا، وأساليب التعلم المنقول، بالإضافة إلى الطرق الحديثة للتعلم القليل العينات عبر المجالات المختلفة. أظهرت النتائج أن أساليب تعلم الميتا المتطورة تتفوق بشكل مفاجئ على الأساليب الأقدم لتعلم الميتا، وأن جميع أساليب تعلم الميتا تُظهر أداءً أضعف مقارنة بالضبط البسيط (fine-tuning) بمتوسط دقة 12.8%. كما أن المكاسب في الأداء التي لوحظت سابقًا باستخدام الطرق المخصصة للتعلم القليل العينات عبر المجالات المختلفة تختفي في هذا المعيار الأصعب. وأخيرًا، تُظهر دقة جميع الطرق ارتباطًا قويًا بدرجة تشابه البيانات مع الصور الطبيعية، مما يؤكد قيمة هذا المعيار في تمثيل أوجه تنوع البيانات التي تُلاحظ في الممارسة العملية، ويوجه البحوث المستقبلية نحو تطوير حلول أكثر ملاءمة للواقع.