شبكات الكونستلاسيون للتعلم القليل

ينجذب نجاح الشبكات العصبية التلافيفية العميقة إلى تعلّم عمليات تلافيفية فعّالة، حيث تُلتقط هرمية مميزة من السمات الهيكلية من خلال عمليات التصفية والتفعيل والمضاعفة. ومع ذلك، فإن السمات الهيكلية الصريحة، مثل أجزاء الكائنات، ليست قادرة على التعبير عنها بكفاءة في الإطارات الحالية للشبكات العصبية التلافيفية (CNN). في هذه الورقة، نعالج مشكلة التعلّم بعينات قليلة (few-shot learning) ونُبذل جهودًا لتعزيز السمات الهيكلية من خلال توسيع الشبكات العصبية التلافيفية باستخدام نموذج مُزَوَّر (constellation model)، والذي يقوم بتحفيز تجميع السمات الخلوية وتمثيلها باستخدام تمثيل مكثف للقطع؛ كما يتم نمذجة العلاقات بين سمات الخلايا باستخدام آلية الانتباه (attention mechanism). وبفضل الفرع الإضافي المُزَوَّر الذي يعزز الوعي بأجزاء الكائنات، يمكن لطرقنا الاستفادة من مزايا الشبكات العصبية التلافيفية مع جعل التمثيلات الداخلية العامة أكثر مرونة في بيئات التعلّم بعينات قليلة. وقد حققت طريقة عملنا تحسينًا ملحوظًا مقارنة بالطرق الحالية في مشكلة التعلّم بعينات قليلة على معايير CIFAR-FS وFC100 وmini-ImageNet.