Apprentissage visuel dynamique à quelques exemples sans oubli

Le système visuel humain possède la remarquable capacité d'apprendre de nouveaux concepts sans effort à partir de seulement quelques exemples. Imiter ce comportement dans les systèmes de vision par apprentissage automatique est un problème de recherche intéressant et très complexe, offrant de nombreux avantages pratiques pour les applications de vision réelles. Dans ce contexte, l'objectif de notre travail est de concevoir un système d'apprentissage visuel à quelques exemples qui, lors des tests, sera capable d'apprendre efficacement de nouvelles catégories à partir de peu de données d'entraînement tout en ne pas oubliant les catégories initiales sur lesquelles il a été formé (appelées ici catégories de base). Pour atteindre cet objectif, nous proposons (a) d'étendre un système de reconnaissance d'objets avec un générateur de poids de classification basé sur l'attention, et (b) de redessiner le classifieur d'un modèle ConvNet comme une fonction de similarité cosinus entre les représentations des caractéristiques et les vecteurs de poids de classification. Cette dernière approche, outre l'unification de la reconnaissance des catégories nouvelles et de base, conduit également à des représentations des caractéristiques qui généralisent mieux aux catégories « non vues ». Nous évaluons notre approche en détail sur Mini-ImageNet où nous parvenons à améliorer l'état actuel de l'art en matière d'apprentissage à quelques exemples (c'est-à-dire que nous obtenons 56,20 % et 73,00 % pour les configurations 1-shot et 5-shot respectivement), tout en ne sacrifiant aucune précision sur les catégories de base, une caractéristique que la plupart des approches précédentes manquent. Enfin, nous appliquons notre méthode au récent benchmark Few-Shot introduit par Bharath et Girshick [4], où nous obtenons également des résultats à l'état actuel de l'art. Le code et les modèles présentés dans notre article seront publiés sur : https://github.com/gidariss/FewShotWithoutForgetting