التعلم متعدد المستويات للقياسات في التعرف على الصور بعينة قليلة

يُركّز التعلّم القائم على عدد قليل من الأمثلة على تدريب نموذج باستخدام عدد قليل من العينات. تعتمد معظم هذه الأساليب على تعلّم نموذج يستند إلى تمثيل مميزات على مستوى البكسل أو على مستوى عالمي. ومع ذلك، قد يؤدي استخدام المميزات العالمية إلى فقدان المعلومات المحلية، بينما قد يؤدي استخدام المميزات على مستوى البكسل إلى فقدان المعاني السياقية للصورة. علاوةً على ذلك، يمكن لهذه الأساليب قياس العلاقات بين العناصر فقط على مستوى واحد، وهو ما يُعد غير شمولي وفعّال. أما إذا تمكّن صور الاستعلام من التصنيف الجيد في آنٍ واحد عبر ثلاث مقاييس متشابهة على مستويات مختلفة، فإن صور الاستعلام داخل الفئة الواحدة يمكن أن تتجمع بشكل أكثر كثافة في فضاء مميزات أصغر، مما يُنتج خرائط مميزات أكثر تمييزًا. مستلهمين من هذا الفكرة، نُقدّم طريقة جديدة تُسمى "التكيف الجزئي للتمثيل باستخدام الرسم البياني" (PEAG) لإنشاء مميزات مخصصة للمهمة. كما نقترح طريقة جديدة تُسمى "تعلّم المقاييس متعددة المستويات" (MML)، والتي لا تقيس فقط التشابه على مستوى البكسل، بل تأخذ أيضًا بعين الاعتبار تشابه المميزات على مستوى الأجزاء والمميزات على مستوى العالم. أثبتت التجارب الواسعة على مجموعات بيانات شهيرة لتمييز الصور في سياق التعلّم القائم على عدد قليل من الأمثلة فعالية طريقتنا مقارنةً بالأساليب الرائدة حاليًا. يمكن الوصول إلى كودنا من خلال الرابط التالي: \url{https://github.com/chenhaoxing/M2L}.