HyperAIHyperAI

Command Palette

Search for a command to run...

إعادة التفكير في العلاقات الطبقية: التعلم القليل الإشرافي المطلق-النسبي والغير إشرافي

Hongguang Zhang Piotr Koniusz Songlei Jian Hongdong Li Philip H. S. Torr

الملخص

معظم طرق التعلم القليل النموذجية الحالية تصف علاقات الصور باستخدام ملصقات ثنائية. ومع ذلك، فإن مثل هذه العلاقات الثنائية غير كافية لتعليم الشبكة علاقات العالم الحقيقي المعقدة، بسبب نقص سلاسة القرار. بالإضافة إلى ذلك، فإن نماذج التعلم القليل النموذجية الحالية تلتقط فقط التشابه عبر ملصقات العلاقات، ولكنها لا تتعرض لمفاهيم الفئات المرتبطة بالكائنات، مما قد يكون ضارًا بأداء التصنيف بسبب الاستخدام غير الكافي للملصقات الفئوية المتاحة. بعبارة أخرى، يتعلم الأطفال مفهوم النمر من عدد قليل من الأمثلة الحقيقية وكذلك من مقارنات النمر بالحيوانات الأخرى. وبالتالي، نفترض أن التعلم بالتشابه وتعلم مفاهيم الفئة يجب أن يحدثا بشكل متزامن. وفي ضوء هذه الملاحظات، ندرس المشكلة الأساسية للمodeling البسيط للفئات في طرق التعلم القليل النموذجية الحالية. نعيد النظر في العلاقات بين مفاهيم الفئات ونقترح نموذج تعلم جديد يعتمد على العلاقة المطلقة-النسبية (Absolute-relative Learning) للاستفادة الكاملة من المعلومات الملصقية لتكرار تمثيلات الصور وتصحيح فهم العلاقات في السيناريوهات الإشرافية وغير الإشرافية على حد سواء. يحسن النموذج المقترح أداء العديد من أفضل النماذج الحالية على مجموعة بيانات متاحة للعامة.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp