قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
اكتشاف الكائنات بلقطات قليلة
فرع فرعي من اكتشاف الكائنات يهدف إلى تدريب نماذج قادرة على التعرف على فئات جديدة من الكائنات باستخدام عدد محدود جدًا من أمثلة التدريب، غالبًا أقل من عشرة لكل فئة.
التعلم المتري
تقنية تهدف إلى تعلم دالة مسافة أو مساحة تضمين (embedding space) حيث تكون الكائنات من نفس الفئة قريبة من بعضها البعض، وتكون الكائنات من فئات مختلفة بعيدة، مما يسهل التصنيف باستخدام أمثلة قليلة.
شبكة النماذج الأولية
نموذج تعلم ميتا يبني 'نموذجًا أوليًا' لكل فئة عن طريق حساب متوسط خصائص الأمثلة القليلة المتاحة، ثم يصنف مثيلًا جديدًا بتقريبه من النموذج الأولي الأقرب.
شبكة المطابقة
هندسة معمارية تستخدم آلية انتباه لمقارنة مثال جديد (استعلام) بمجموعة أمثلة الدعم، مما يولد تنبؤًا مرجحًا بناءً على تشابه كل مثال دعم.
شبكة العلاقة
امتداد لشبكات المطابقة يتعلم صراحة دالة تشابه (وحدة علاقة) لقياس درجة العلاقة بين استعلام وأمثلة الدعم، بدلاً من استخدام مسافة ثابتة.
الضبط الدقيق المستند إلى الدعم
استراتيجية يتم فيها إعادة تدريب نموذج مدرب مسبقًا على مجموعة بيانات أساسية كبيرة بسرعة (ضبط دقيق) على مجموعة بيانات الدعم الصغيرة جدًا (few-shot) للتكيف مع الفئات الجديدة.
مساحة التضمين
تمثيل متجهي منخفض الأبعاد حيث يتم إسقاط الكائنات، مصمم بحيث تعكس المسافة بين المتجهات التشابه الدلالي أو البصري للكائنات، وهو أمر بالغ الأهمية للتصنيف باستخدام أمثلة قليلة.
خسارة التباين
دالة خسارة تستخدم في التعلم المتري تقلل المسافة بين أزواج الأمثلة من نفس الفئة (المرتكزات والإيجابيات) مع زيادة المسافة بالنسبة للأمثلة من الفئات المختلفة (السلبيات).
فقدان الثلاثي (Triplet Loss)
دالة خسارة تعمل على ثلاثيات من الأمثلة (مرساة، إيجابي من نفس الفئة، سلبي من فئة مختلفة) لتعلم مساحة تضمين حيث تكون المسافة بين المرساة والإيجابي أصغر من المسافة بين المرساة والسلبي بهامش معين.
الكشف بدون مربعات (Box-Free Detection)
نموذج بديل في التعلم قليل اللقطات يركز على تصنيف وجود الكائنات في منطقة ما دون التنبؤ بمربعات إحاطة دقيقة، مما يبسط المهمة عندما تكون البيانات محدودة للغاية.
التعلم المعزز للتعلم قليل اللقطات
استخدام خوارزميات التعلم المعزز لتحسين عملية التعلم قليل اللقطات، على سبيل المثال عن طريق تعلم سياسة لاختيار أمثلة الدعم الأكثر صلة أو لضبط النموذج.
إعادة ترجيح الفئات (Class Re-weighting)
تقنية تعدل مساهمة كل فئة في دالة الخسارة لمواجهة عدم التوازن الشديد بين الفئات الأساسية (العديدة) والفئات الجديدة (النادرة) في سياق الكشف قليل اللقطات.
الكشف عن الكائنات بلقطة واحدة (One-Shot Object Detection)
حالة قصوى من التعلم قليل اللقطات حيث يجب على النموذج تعلم اكتشاف فئة جديدة من الكائنات من مثال واحد فقط مصنف، مما يمثل تحديًا كبيرًا في التعميم.
الكشف عن الكائنات بلقطة صفرية (Zero-Shot Object Detection)
سيناريو أكثر طموحًا من التعلم قليل اللقطات، حيث يجب على النموذج اكتشاف فئات الكائنات التي لم يتلق عنها أي أمثلة بصرية، بالاعتماد فقط على الأوصاف الدلالية (مثل السمات أو النص).