تعلم الوكيلات الوظيفية وتجزئة الرموز الطيفية في المحولات للتعلم القليل

تقدم هذه الورقة نماذج تحويلية هرمية متسلسلة جديدة يمكنها تحسين كفاءة البيانات من خلال تعلم الاستبدالات السطحية وجمع الرموز الطيفية. يُنظر حديثًا إلى نماذج التحويل البصري (Vision Transformers) على أنها بديل واعد لشبكات التعلم العميق التلافيفية (Convolutional Neural Networks) في التعرف البصري. لكن عند عدم توفر كمية كافية من البيانات، تُعاني هذه النماذج من التكيف الزائد (overfitting) وتُظهر أداءً متواضعًا. ولتحسين كفاءة استخدام البيانات، نقترح نماذج تحويلية هرمية متسلسلة تقوم باستغلال البنية الداخلية للصورة من خلال تقنية جمع الرموز الطيفية، وتحسن المعاملات القابلة للتعلم من خلال تعلم استبدالات السمات المخفية. تُستخدم البنية الداخلية للصورة لتقليل الغموض بين المحتوى المركزي (الخلفية الأمامية) والضوضاء الخلفية من خلال جمع الرموز الطيفية. كما تم تصميم نموذج تعلم الاستبدالات السطحية للاستفادة من المعلومات البصرية الغنية الموجودة في أزواج الصورة-الوسم، بدلًا من الاعتماد على مفاهيم بصرية بسيطة تُعيّن بواسطة الوسوم. تم بناء نماذجنا الهرمية المتسلسلة، المعروفة باسم HCTransformers، على إطار تعلم ذاتي (self-supervised learning) يُدعى DINO، وتم اختبارها على عدة معايير شائعة لتعلم القليل من الأمثلة (few-shot learning benchmarks).في البيئة الاستنتاجية (inductive setting)، تتفوق HCTransformers على النموذج الأساسي DINO بنسبة 9.7% في دقة التصنيف 5-طريقة 1-مثال (5-way 1-shot) وبنسبة 9.17% في دقة التصنيف 5-طريقة 5-أمثلة (5-way 5-shot) على مجموعة بيانات miniImageNet، مما يدل على كفاءة HCTransformers في استخلاص سمات تمييزية فعّالة. كما تُظهر HCTransformers ميزة واضحة مقارنة بأفضل الطرق الحالية في تصنيف القليل من الأمثلة في كلا الحالتين: 5-طريقة 1-مثال و5-طريقة 5-أمثلة، على أربع مجموعات بيانات شائعة، تشمل miniImageNet وtieredImageNet وFC100 وCIFAR-FS. تم إتاحة الأوزان المدربة والكود المصدر على الرابط التالي: https://github.com/StomachCold/HCTransformers.