تحسين التصنيف القائم على عدد قليل من الصور باستخدام أمثلة غير مُسَمَّاة

نطور طريقة تعلم متعددة التحويل (transductive meta-learning) تستخدم الأمثلة غير المُعلَّمة لتحسين أداء التصنيف الصوري بعينات قليلة. يعتمد نهجنا على دمج عملية تجميع لينة قائمة على مسافة ماهالانوبيس المُنظَّمة (regularized Mahalanobis-distance-based soft k-means clustering) مع مُستخرج مُعدّل للسمات العصبية (neural adaptive feature extractor) من أحدث الأداء، بهدف تحقيق دقة تصنيف أفضل أثناء الاختبار باستخدام البيانات غير المُعلَّمة. قمنا بتقييم طريقتنا في مهام التعلم القليل بالتحويل (transductive few-shot learning)، حيث يكون الهدف هو التنبؤ المشترك بفئات أمثلة الاستفسار (الاختبار) معطاة مجموعة من أمثلة الدعم (التدريب). وقد حققنا أداءً من الطراز الأول على معايير Meta-Dataset وmini-ImageNet وtiered-ImageNet. تم إتاحة جميع النماذج المدربة والكود البرمجي بشكل عام على منصة github.com/plai-group/simple-cnaps.