التعلم الوظيفي للكشف عن الكائنات النادرة

التعلم من عدد قليل من الأمثلة، أي تعلّم مفاهيم جديدة من عدد محدود من الأمثلة، يُعدّ أساسياً لأنظمة التعرف البصري العملية. بينما ركّزت معظم الدراسات الحالية على التصنيف من عدد قليل من الأمثلة، نتقدّم خطوة نحو التمييز الكائنات من عدد قليل من الأمثلة، وهي مهمة أكثر صعوبة ولكنها غير مكتملة الاستكشاف. نطوّر إطاراً مبنياً على التعلم التكراري (meta-learning) بسيطاً من حيث المفهوم ولكنه قوياً، يعالج التصنيف من عدد قليل من الأمثلة والتحديد من عدد قليل من الأمثلة بشكل موحد ومنسق في آنٍ واحد. يعتمد هذا الإطار على المعرفة على مستوى التعلم حول "توليد معاملات النموذج" من الفئات الأساسية التي تتوفر عليها كميات كبيرة من البيانات، لتمكين توليد كاشف (detector) للفئات الجديدة. وتكمن رؤيتنا الأساسية في فصل تعلّم المكونات غير المرتبطة بالفئة (category-agnostic) عن المكونات المرتبطة بالفئة (category-specific) في نموذج كشف مبني على الشبكة العصبية التلافيفية (CNN). وبشكل خاص، نقدّم نموذجاً ميتاً لتنبؤ المعاملات (weight prediction meta-model)، يتيح توقع معاملات المكونات المرتبطة بالفئة من عدد قليل من الأمثلة. ونقوم بعملية تقييم منهجية لأداء الكواشف الحديثة في ظل ظروف عينات صغيرة. وتُظهر التجارب في مجموعة متنوعة من السيناريوهات الواقعية، بما في ذلك السيناريوهات ضمن المجال، بين المجالات، والسيناريوهات ذات التوزيع الطويل الذيل (long-tailed)، فعالية وعمومية نهجنا تحت مفاهيم مختلفة للفئات الجديدة.