التصنيف القليل النموذج عبر المجالات عبر التحويل المتعلم للسمات

تهدف التصنيف بقليل من الأمثلة (Few-shot classification) إلى التعرف على فئات جديدة باستخدام عدد قليل جدًا من الصور المُصنفة في كل فئة. تعتمد الخوارزميات الحالية القائمة على المقاييس في التصنيف بقليل من الأمثلة على توقع الفئات من خلال مقارنة تضمينات الميزات للصور الاستعلامية (query images) مع تلك الخاصة بصور الدعم (support examples) ذات التصنيف المسبق، باستخدام دالة مقياس مُدرّبة. وعلى الرغم من الأداء الواعد الذي أظهرته هذه الأساليب، فإنها غالبًا ما تفشل في التعميم على مجالات غير مرئية بسبب الفجوة الكبيرة في توزيع الميزات بين المجالات المختلفة. في هذا العمل، نعالج مشكلة التصنيف بقليل من الأمثلة تحت تغيرات المجال (domain shifts) بالنسبة للأساليب القائمة على المقاييس. تتمثل الفكرة الأساسية لدينا في استخدام طبقات تحويل ميزات حسب الميزات (feature-wise transformation layers) لتعزيز ميزات الصور من خلال تحويلات أفينية (affine transforms) في مرحلة التدريب، بهدف محاكاة توزيعات ميزات مختلفة تحت مجالات متعددة. ولالتقاط التغيرات في توزيعات الميزات تحت مجالات مختلفة، نطبق أيضًا نهجًا للتعلم على التعلم (learning-to-learn) للبحث عن القيم المثلى للبارامترات الفائقة (hyper-parameters) لطبقات التحويل الميزاتية. أجرينا تجارب واسعة ودراسات تحليلية (ablation studies) في بيئة التعميم على المجالات (domain generalization setting) باستخدام خمسة مجموعات بيانات للتصنيف بقليل من الأمثلة: mini-ImageNet، CUB، Cars، Places، وPlantae. أظهرت النتائج التجريبية أن طبقة التحويل الميزاتية المقترحة قابلة للتطبيق على نماذج مختلفة قائمة على المقاييس، وتوفر تحسينات ثابتة في أداء التصنيف بقليل من الأمثلة تحت تغيرات المجال.