Apprentissage Sans Prise De Vue
Zero-Shot Learning (ZSL) est un paramètre de problème dans l'apprentissage profond.Au moment du test, l'apprenant observe des échantillons de classes non observées pendant la formation et doit prédire à quelle classe ils appartiennent. Ce problème a été largement étudié dans les domaines de la vision par ordinateur, du traitement du langage naturel et de la perception des machines. L'objectif principal de Zero-Shot est d'acquérir la capacité de prédire les résultats sans aucun échantillon d'entraînement, la machine doit reconnaître les objets des classes sur lesquelles elle n'a pas été entraînée pendant l'entraînement. L'apprentissage zero-shot est basé sur le transfert de connaissances, déjà contenues dans les exemples nourris lors de la formation.
Importance et applications de l'apprentissage sans échec
- L'étiquetage des données est une tâche qui demande beaucoup de travail, et l'apprentissage zéro-shot peut être utilisé lorsqu'il y a un manque de données de formation pour une catégorie spécifique ;
- L'apprentissage zéro coup peut être déployé dans des scénarios où le modèle doit apprendre une nouvelle tâche sans réapprendre les tâches précédemment apprises ;
- Améliorer la capacité de généralisation des modèles d’apprentissage automatique ;
- Le Zero-shot peut être un moyen plus efficace d’apprendre de nouvelles informations que les méthodes traditionnelles (par exemple, l’apprentissage par essais et erreurs) ;
- L'apprentissage à coup zéro est également utile pour trouver des effets visuels dans la classification d'images et la détection d'objets ;
- Zero Lens prend également en charge le développement de plusieurs cadres de travail en profondeur tels que la génération et la récupération d'images.