التعلم القائم على الارتباط بالكواتيرنيون للقسمة الدلالية القائمة على عدد قليل من الأمثلة

يهدف التجزئة القليلة الأمثل (FSS) إلى تجزئة فئات غير مرئية باستخدام عينات مُعلّمة قليلة فقط. وقد تم إحراز تقدم ملحوظ في مجال FSS من خلال الاستفادة من الميزات الدلالية التي تم تعلّمها من الفئات الأساسية التي تمتلك عينات تدريب كافية لتمثيل الفئات الجديدة. تفتقر الطرق القائمة على الارتباط إلى القدرة على أخذ التفاعل بين قيمتي مطابقة الفرعين الفرعيين بعين الاعتبار، وذلك بسبب الطبيعة المتأصلة في التحويلات الثنائية الأبعاد ذات القيم الحقيقية. في هذه الورقة، نقدم منظورًا كواتيرنيًا لتعلم الارتباط، ونُقدّم شبكة جديدة تُسمى شبكة التعلم بالارتباط ذات القيم الكواتيرنية (QCLNet)، بهدف تخفيف العبء الحسابي الناتج عن تمثيل التنسورات عالية الأبعاد للارتباط، واستكشاف التفاعل الداخلي الخفي بين الصور الاستعلامية والصور الداعمة من خلال الاستفادة من العمليات المعرفة عبر الجبر الكواتيرني المُثبت. بشكل خاص، تُصاغ شبكة QCLNet كشبكة ذات قيم فائقة-معقدة، وتمثّل التنسورات الارتباطية في الفضاء الكواتيرني، حيث تستخدم التحويلات الكواتيرنية لاستكشاف العلاقات الخارجية بين فرع الاستعلام، مع أخذ العلاقة الخفية بين الأبعاد الفرعية للصورة الداعمة في الفضاء الكواتيرني بعين الاعتبار. أظهرت التجارب الواسعة على مجموعتي بيانات PASCAL-5i وCOCO-20i أن طريقة العمل لدينا تتفوّق بشكل فعّال على الطرق الحالية المتطورة في هذا المجال. يُمكن الاطلاع على الكود عبر الرابط: https://github.com/zwzheng98/QCLNet، كما تم نشر المقال بعنوان "التعلم بالارتباط ذات القيم الكواتيرنية للتجزئة الدلالية القليلة الأمثل" في مجلة IEEE Transactions on Circuits and Systems for Video Technology، المجلد 33، العدد 5، الصفحات 2102–2115، مايو 2023، DOI: 10.1109/TCSVT.2022.3223150.