Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Few-Shot Object Detection
Une sous-discipline de la détection d'objets visant à entraîner des modèles capables de reconnaître de nouvelles catégories d'objets en utilisant un nombre très limité d'exemples d'entraînement, souvent moins de dix par classe.
Apprentissage par Mesure (Metric Learning)
Technique consistant à apprendre une fonction de distance ou d'espace d'intégration (embedding space) où les objets de la même classe sont proches et ceux de classes différentes sont éloignés, facilitant la classification avec peu d'exemples.
Réseau de Prototypes (Prototype Network)
Modèle de méta-apprentissage qui construit un 'prototype' pour chaque classe en faisant la moyenne des caractéristiques des quelques exemples disponibles, puis classe une nouvelle instance en la rapprochant du prototype le plus proche.
Modèle de Mise en Relation (Matching Network)
Architecture qui utilise un mécanisme d'attention pour comparer un nouvel exemple (requête) à l'ensemble des exemples de support, générant une prédiction pondérée basée sur la similarité de chaque exemple de support.
Réseau à Relation (Relation Network)
Extension des réseaux de mise en relation qui apprend explicitement une fonction de similarité (module de relation) pour mesurer le degré de relation entre une requête et les exemples de support, au lieu d'utiliser une distance fixe.
Fine-Tuning sur Support (Support-Based Fine-Tuning)
Stratégie où un modèle pré-entraîné sur un grand jeu de données de base est rapidement ré-entraîné (fine-tuned) sur le très petit jeu de données de support (few-shot) pour s'adapter aux nouvelles classes.
Espace d'Intégration (Embedding Space)
Représentation vectorielle de basse dimension où les objets sont projetés, conçue de manière à ce que la distance entre les vecteurs reflète la similarité sémantique ou visuelle des objets, cruciale pour la classification avec peu d'exemples.
Perte de Contraste (Contrastive Loss)
Fonction de perte utilisée en apprentissage par mesure qui minimise la distance entre les paires d'exemples de même classe (ancres et positives) tout en maximisant la distance par rapport aux exemples de classes différentes (négatives).
Perte Triplet (Triplet Loss)
Fonction de perte qui opère sur des triplets d'exemples (une ancre, un positif de la même classe, un négatif d'une classe différente) pour apprendre un espace d'intégration où la distance ancre-positif est plus petite que la distance ancre-négatif d'une certaine marge.
Détection sans Boîtes (Box-Free Detection)
Paradigme alternatif dans le few-shot qui se concentre sur la classification de la présence d'objets dans une région sans prédire de boîtes de délimitation précises, simplifiant ainsi la tâche lorsque les données sont extrêmement limitées.
Apprentissage par Renforcement pour le Few-Shot
Utilisation d'algorithmes d'apprentissage par renforcement pour optimiser le processus d'apprentissage du few-shot, par exemple en apprenant une politique pour sélectionner les exemples de support les plus pertinents ou pour ajuster le modèle.
Ré-pondération des Classes (Class Re-weighting)
Technique qui ajuste la contribution de chaque classe dans la fonction de perte pour contrer le déséquilibre extrême entre les classes de base (nombreuses) et les classes nouvelles (rares) dans un contexte de détection few-shot.
Détection d'Objets à une Exemple (One-Shot Object Detection)
Cas extrême du few-shot où le modèle doit apprendre à détecter une nouvelle classe d'objets à partir d'un seul et unique exemple étiqueté, représentant un défi majeur en matière de généralisation.
Détection d'Objets à Exemple Zéro (Zero-Shot Object Detection)
Scénario encore plus ambitieux que le few-shot, où le modèle doit détecter des classes d'objets pour lesquelles il n'a reçu aucun exemple visuel, en s'appuyant uniquement sur des descriptions sémantiques (par ex., des attributs ou du texte).