الرئيسية المنصة الوثائق الأخبار الأوراق البحثية الدروس مجموعات البيانات الموسوعة SOTA نماذج LLM لوحة الأداء GPU الفعاليات

العربية

تصنيف الصور قليل الإطارات

بالطبع، إليك النص المعدّل: تصنيف الصور بقليل من العينات هو مهمة في مجال رؤية الحاسوب تهدف إلى تدريب نماذج التعلم الآلي على تصنيف صور جديدة باستخدام عدد قليل جدًا من العينات المصنفة (عادة أقل من 6). الهدف من هذه المهمة هو تمكين النموذج من التعرف السريع وتصنيف فئات جديدة مع إشراف ومتطلبات بيانات محدودة، مما يعزز قدرته على التعميم في ظروف البيانات المحدودة. تحمل هذه التقنية قيمة عملية كبيرة، خاصة في السيناريوهات التي يكون فيها الحصول على البيانات صعبًا أو مكلفًا.

Mini-Imagenet 5-way (1-shot)

PEMnE-BMS* (transductive)

Mini-Imagenet 5-way (5-shot)

CAML [Laion-2b]

Tiered ImageNet 5-way (5-shot)

CAML [Laion-2b]

Tiered ImageNet 5-way (1-shot)

CIFAR-FS 5-way (5-shot)

PT+MAP+SF+SOT (transductive)

CIFAR-FS 5-way (1-shot)

PT+MAP+SF+SOT (transductive)

CUB 200 5-way 1-shot

PT+MAP+SF+BPA (transductive)

CUB 200 5-way 5-shot

PT+MAP+SF+SOT (transductive)

FC100 5-way (1-shot)

FC100 5-way (5-shot)

OMNIGLOT - 1-Shot, 20-way

OMNIGLOT - 5-Shot, 20-way

OMNIGLOT - 1-Shot, 5-way

OMNIGLOT - 5-Shot, 5-way

Mini-ImageNet - 1-Shot Learning

Mini-Imagenet 10-way (5-shot)

Transductive CNAPS + FETI

Mini-Imagenet 10-way (1-shot)

Transductive CNAPS + FETI

Tiered ImageNet 10-way (5-shot)

Transductive CNAPS + FETI

Meta-Dataset Rank

Tiered ImageNet 10-way (1-shot)

Transductive CNAPS + FETI

Dirichlet Mini-Imagenet (5-way, 1-shot)

Dirichlet Mini-Imagenet (5-way, 5-shot)

Mini-ImageNet-CUB 5-way (1-shot)

Dirichlet Tiered-Imagenet (5-way, 5-shot)

Dirichlet Tiered-Imagenet (5-way, 1-shot)

Mini-ImageNet-CUB 5-way (5-shot)

Dirichlet CUB-200 (5-way, 5-shot)

ImageNet - 5-shot

ViT-MoE-15B (Every-2)

ImageNet - 1-shot

ViT-MoE-15B (Every-2)

Dirichlet CUB-200 (5-way, 1-shot)

ImageNet-FS (2-shot, novel)

ImageNet-FS (5-shot, all)

KGTN-ens (ResNet-50, h+g, max)

ImageNet-FS (1-shot, novel)

Human (Amateur)

ImageNet - 10-shot

ViT-MoE-15B (Every-2)

Stanford Cars 5-way (5-shot)

Mini-Imagenet 20-way (1-shot)

Mini-Imagenet 20-way (5-shot)

Stanford Cars 5-way (1-shot)

Stanford Dogs 5-way (5-shot)

ImageNet - 0-Shot

CLIP (ViT B/32)

Mini-Imagenet 5-way (10-shot)

CUB-200-2011 - 0-Shot

Word CNN-RNN (DS-SJE Embedding)

CUB 200 50-way (0-shot)

Prototypical Networks

Stanford Dogs 5-way (1-shot)

CUB-200 - 0-Shot Learning

Caltech-256 5-way (1-shot)

ImageNet-FS (5-shot, novel)

ORBIT Clutter Video Evaluation

ImageNet-FS (10-shot, all)

KGTN (ResNet-50)

Synthesised Classifier

ImageNet-FS (10-shot, novel)

ORBIT Clean Video Evaluation

SimpleCNAPs + LITE

Mini-ImageNet to CUB - 5 shot learning

ImageNet-FS (1-shot, all)

OMNIGLOT-EMNIST 5-way (5-shot)

CIFAR100 5-way (1-shot)

ImageNet (1-shot)

OMNIGLOT-EMNIST 5-way (1-shot)

ImageNet-FS (2-shot, all)

iNaturalist 2018 - 10-shot

CIFAR-FS - 1-Shot Learning

mini-ImageNet - 100-Way

iNaturalist 2018 - 1-shot

OMNIGLOT - 5-Shot, 1000 way

CUB-200-2011 5-way (5-shot)

OMNIGLOT - 1-Shot, 423 way

iNaturalist 2018 - 5-shot

Caltech-256 5-way (5-shot)

MergedNet-Concat

iNaturalist (227-way multi-shot)

OMNIGLOT - 5-Shot, 423 way

CIFAR-FS - 5-Shot Learning

OMNIGLOT - 1-Shot, 1000 way

Fewshot-CIFAR100 - 1-Shot Learning

Flowers-102 - 0-Shot

Word CNN-RNN (DS-SJE Embedding)

miniImagenet → CUB (5-way 5-shot)

CUB-200-2011 5-way (1-shot)

Oxford 102 Flower

Synthesised Classifier

EASY 3xResNet12 (transductive)

Fewshot-CIFAR100 - 5-Shot Learning

miniImagenet → CUB (5-way 1-shot)

FC100 5-way (10-shot)