التعلم والتكيف التلقائي للبروتوتيبات وتوزيعها للتحليل القائم على عدد قليل من الأمثلة

يُستخدم التعلم القائم على النموذج (Prototype learning) على نطاق واسع في التجزئة القائمة على عدد قليل من الأمثلة (few-shot segmentation). عادةً، يتم الحصول على نموذج واحد من الميزة الداعمة من خلال متوسط المعلومات الكائنية الشاملة. ومع ذلك، قد يؤدي استخدام نموذج واحد لتمثيل جميع المعلومات إلى حدوث غموض. في هذه الورقة، نقترح وحدتين جديدتين، وهما: التجميع الموجه بالبكسل الفائق (Superpixel-guided Clustering - SGC) وتوزيع النموذج الموجه (Guided Prototype Allocation - GPA)، لاستخراج وتوزيع نماذج متعددة. بشكل خاص، يُعد SGC منهجية لا تعتمد على المعاملات ولا تتطلب تدريبًا، حيث يستخرج نماذج أكثر تمثيلية من خلال تجميع المتجهات الميزة المشابهة، في حين أن GPA قادرة على اختيار النماذج المناسبة لتوفير توجيه أكثر دقة. من خلال دمج SGC وGPA معًا، نقترح شبكة مُتكيفة مبنية على البكسل الفائق (Adaptive Superpixel-guided Network - ASGNet)، وهي نموذج خفيف الوزن ويتكيف مع التغيرات في الحجم والشكل الكائني. بالإضافة إلى ذلك، يمكن للشبكة التعميم بسهولة على التجزئة k-shot مع تحسين كبير دون أي تكلفة حسابية إضافية. وبشكل خاص، أظهرت تقييماتنا على مجموعة بيانات COCO أن ASGNet تتفوق على أحدث الطرق المنشورة بنسبة 5% في مهمة التجزئة الخمسية (5-shot segmentation).