AI用語集
人工知能の完全辞典
Few-Shot物体検出
物体検出の下位分野であり、クラスあたり10個未満など、ごく少数の学習例を用いて新しい物体カテゴリを認識できるモデルの学習を目的とします。
メトリック学習
同じクラスのオブジェクトは近く、異なるクラスのオブジェクトは遠くなるように距離関数や埋め込み空間（embedding space）を学習する技術で、少数例での分類を容易にします。
プロトタイプネットワーク
利用可能な少数の例の特徴を平均して各クラスの「プロトタイプ」を構築し、その後、新しいインスタンスを最も近いプロトタイプに近づけることで分類するメタ学習モデルです。
マッチングネットワーク
新しい例（クエリ）をサポート例のセットと比較するために注意メカニズムを使用し、各サポート例の類似性に基づいて重み付けされた予測を生成するアーキテクチャです。
リレーションネットワーク
固定された距離を使用するのではなく、クエリとサポート例の間の関係の程度を測定するために類似度関数（関係モジュール）を明示的に学習する、マッチングネットワークの拡張版です。
サポートベースのファインチューニング
大規模なベースデータセットで事前学習されたモデルを、新しいクラスに適応させるために、非常に小さなサポートデータセット（few-shot）で迅速に再学習（ファインチューニング）する戦略です。
埋め込み空間
オブジェクトが射影される低次元のベクトル表現であり、ベクトル間の距離がオブジェクトの意味的または視覚的な類似性を反映するように設計されており、少数例での分類において重要です。
コントラスティブ損失
同じクラスの例のペア（アンカーとポジティブ）間の距離を最小化しながら、異なるクラスの例（ネガティブ）からの距離を最大化する、メトリック学習で使用される損失関数です。
トリプレット損失 (Triplet Loss)
アンカー（正例）、ポジティブ（同じクラス）、ネガティブ（異なるクラス）という3つの例のセット（トリプレット）に対して動作する損失関数で、アンカーとポジティブの距離が、アンカーとネガティブの距離よりも一定のマージン分だけ小さくなるような埋め込み空間を学習するために使用されます。
ボックスフリー検出 (Box-Free Detection)
少数ショット（few-shot）学習における代替的なパラダイムで、正確な境界ボックス（バウンディングボックス）を予測することなく、領域内におけるオブジェクトの存在分類に焦点を当てるものです。これにより、データが極めて限られている場合のタスクが簡素化されます。
少数ショット（Few-Shot）向け強化学習
少数ショット（few-shot）学習のプロセスを最適化するために強化学習アルゴリズムを使用することです。例えば、最も関連性の高いサポート例（support examples）を選択するポリシーを学習したり、モデルを調整したりするために用いられます。
クラスの再重み付け (Class Re-weighting)
少数ショット検出の文脈において、多数のベースクラス（基本クラス）と少数のニュークラス（新しいクラス）の間の極端な不均衡を相殺するために、損失関数における各クラスの寄与（重み）を調整する手法です。
1ショット物体検出 (One-Shot Object Detection)
少数ショット（few-shot）の極端なケースで、モデルがたった一つのラベル付き例から新しい物体クラスを検出することを学習しなければならない状況です。これは、汎化性において大きな課題となります。
ゼロショット物体検出 (Zero-Shot Object Detection)
少数ショット（few-shot）よりもさらに野心的なシナリオで、モデルは視覚的な例が一切与えられていない物体クラスを検出する必要があります。これには、属性やテキストなどの意味的記述のみに依存して行われます。