Réseaux de constellations pour l’apprentissage peu supervisé

Le succès des réseaux de neurones convolutifs profonds repose sur l’apprentissage d’opérations de convolution efficaces, qui captent une hiérarchie de caractéristiques structurées grâce au filtrage, à l’activation et au pooling. Toutefois, les caractéristiques structurées explicites, telles que les parties d’objets, ne sont pas suffisamment expressives dans les cadres CNN existants. Dans cet article, nous abordons le problème de l’apprentissage à peu de exemples (few-shot learning) et proposons d’améliorer les caractéristiques structurées en étendant les CNNs via un modèle de constellation, qui réalise un regroupement et un codage des caractéristiques de cellules à l’aide d’une représentation dense des parties ; les relations entre les caractéristiques de cellules sont par la suite modélisées par un mécanisme d’attention. Grâce à cette branche supplémentaire de constellation, qui renforce la prise de conscience des parties d’objets, notre méthode parvient à tirer parti des avantages des CNN tout en rendant les représentations internes globales plus robustes dans le cadre de l’apprentissage à peu de exemples. Notre approche obtient une amélioration significative par rapport aux méthodes existantes sur les benchmarks CIFAR-FS, FC100 et mini-ImageNet.