اتصال عناصر المساحة المجمعة للتعلم القليل

مشكلة تمثيل السمات الضعيفة أثرت على أداء مهمة التصنيف بعينات قليلة لفترة طويلة. ولتخفيف هذه المشكلة، اعتمد الباحثون الحديثون على إقامة اتصالات بين الأمثلة الداعمة (support) والمعطيات الاستقصائية (query) من خلال تضمين ميزات البُقع (patch features)، بهدف إنتاج تمثيلات تمييزية. ومع ذلك، لاحظنا وجود تناقضات معنوية (مقدمة/خلفية) بين هذه البُقع المحلية، نظرًا لعدم ثبات موقع وحجم الكائن المستهدف. والأكثر سوءًا، أن هذه التناقضات تؤدي إلى تقليل موثوقية درجات التشابه، كما أن الاتصالات الكثيفة المعقدة تُفاقم المشكلة. بناءً على ذلك، نقترح طبقة جديدة تُسمى "اتصال العنصر المجمّع للبُقع" (Clustered-patch Element Connection, CEC)، والتي تهدف إلى تصحيح مشكلة التناقض هذه. تعتمد طبقة CEC على عمليتي "تجميع البُقع" (Patch Cluster) و"اتصال العنصر" (Element Connection) لجمع وتكوين اتصالات موثوقة مع ميزات البُقع ذات التشابه العالي، على التوالي. علاوةً على ذلك، نقترح نموذجًا يُسمى CECNet، يتضمن وحدة انتباه تعتمد على طبقة CEC، ومقاييس المسافة. تُستخدم الوحدة الأولى لتوليد تمثيلات أكثر تمييزًا بفضل ميزات البُقع المجمعة على المستوى العالمي، بينما تُستخدم الثانية لقياس موثوقية التشابه بين أزواج الميزات. أظهرت التجارب الواسعة أن نموذج CECNet يتفوق على أحدث الطرق في معايير التصنيف. علاوةً على ذلك، يمكن توسيع منهجية CEC لتطبيقات التصنيف بعينات قليلة، والتقسيم (segmentation)، والكشف (detection)، حيث تحقق أداءً تنافسيًا.