التعلم القليل بالاعتماد على دمج التمثيل المكاني والتمثيل الترددي

يمكن للبشر التعرف على كائنات جديدة باستخدام عدد قليل جدًا من الأمثلة المُعلّمة، لكن التعلم من عدد قليل من الأمثلة يظل مشكلة صعبة بالنسبة لأنظمة التعلم الآلي. تعتمد معظم الخوارزميات السابقة في التعلم من عدد قليل من الأمثلة فقط على المعلومات المكانية للصور. في هذه الورقة، نقترح دمج المعلومات الترددية في نموذج التعلم لتعزيز قدرة النظام على التمييز. نستخدم تحويل كوسينوس المنفصل (DCT) لإنشاء تمثيل ترددي، ثم ندمج الميزات المستمدة من المجال المكاني والمجال الترددي لغرض التصنيف. وقد تم التحقق من صحة الاستراتيجية المقترحة وفعاليتها باستخدام هياكل متنوعة، وقواعد بيانات مختلفة، وخوارزميات مختلفة. تُظهر التجارب الواسعة أن المعلومات الترددية مكملة للممثلات المكانية في التصنيف من عدد قليل من الأمثلة، كما يرتفع دقة التصنيف بشكل ملحوظ عند دمج الميزات من المجال المكاني والمجال الترددي في مهام التعلم من عدد قليل من الأمثلة المختلفة.