خسارة التباين المركزي للتعلم القياسي

التعلم المقارن هو موضوع رئيسي يُدرس في مجال التعلم القياسي. ومع ذلك، لا يزال استخلاص أزواج مقارنة فعّالة يُشكل تحديًا بسبب عوامل مثل الحجم المحدود للدُفعات (batch size)، والتوزيع غير المتوازن للبيانات، وخطر التعلّم الزائد (overfitting). في هذه الورقة، نقترح دالة تعلم قياسيّة جديدة تُسمّى "خسارة المركز المقارن" (Center Contrastive Loss)، والتي تحتفظ ببنك مركزيات فئوية (class-wise center bank) وتمارس مقارنة بين مراكز الفئات ونقاط البيانات الاستعلامية باستخدام خسارة مقارنة. يتم تحديث بنك المراكز بشكل فوري لتعزيز تقارب النموذج دون الحاجة إلى عمليات تعقيدية لاستخراج العينات. وتُعتبر المراكز الفئوية وسائلًا تحسينية فعّالة للتصنيف، مما يُعيد توازن الإشارة التوجيهية لكل فئة. علاوةً على ذلك، تدمج الخسارة المقترحة المزايا المتميزة لكلا الأسلوبين المقارن والتصنيفي من خلال تقليل التباين الداخلي للصورة (intra-class variation) وتعزيز الفروق بين الفئات (inter-class differences)، مما يُحسّن القدرة التمييزية للتمثيلات (embeddings). كما تُظهر نتائج التجارب لدينا، كما هو موضح في الشكل 1، أن شبكة قياسية (ResNet50) مدرّبة باستخدام خساراتنا تحقق أداءً متميزًا على مستوى الحد الأقصى (state-of-the-art) وتتميز بسرعة أكبر في التقارب.