UniFS: إدراك الحالة القليلة العينة الشاملة باستخدام تمثيلات النقطة

تلعب مهام الاستشعار المثالي (الكشف عن الكائنات، التجزئة الظاهرة، تقدير الوضع، العد) دورًا رئيسيًا في التطبيقات الصناعية للنماذج البصرية. وبما أن طرق التعلم المراقب تعاني من تكلفة عالية في التسمية، فإن الطرق التي تعتمد على التعلم من عدد محدود جدًا من الأمثلة المُسَمَّاة (التعلم القليل النموذج) تُعدّ مرغوبة. تتركز الطرق الحالية للتعلم القليل النموذج في مجموعة محدودة من المهام، على الأرجح بسبب التحديات المرتبطة بتصميم نموذج عام قادر على تمثيل مهام متنوعة بطريقة موحدة. في هذه الورقة، نقترح UniFS، وهو نموذج عالمي للتعلم القليل النموذج في الاستشعار المثالي، والذي يوحد مجموعة واسعة من مهام الاستشعار المثالي من خلال إعادة صياغتها ضمن إطار تعلم تمثيل النقاط الديناميكية. بالإضافة إلى ذلك، نقترح طريقة تسمى تعلم النقاط الواعية بالهيكل (SAPL)، التي تستفيد من العلاقات الهيكلية من الدرجة العليا بين النقاط لتعزيز تعلم التمثيل بشكل أكبر. يعتمد نهجنا على افتراضات محدودة جدًا حول المهام، ومع ذلك يحقق نتائج تنافسية مقارنة بالنماذج المتخصصة والمحسّنة جيدًا. يمكن الوصول إلى الكود والبيانات من خلال الرابط: https://github.com/jin-s13/UniFS.