Glossário IA
O dicionário completo da Inteligência Artificial
Detecção de Objetos Few-Shot
Uma subdisciplina da detecção de objetos que visa treinar modelos capazes de reconhecer novas categorias de objetos usando um número muito limitado de exemplos de treinamento, frequentemente menos de dez por classe.
Aprendizagem por Métrica (Metric Learning)
Técnica que consiste em aprender uma função de distância ou um espaço de incorporação (embedding space) onde objetos da mesma classe estão próximos e aqueles de classes diferentes estão distantes, facilitando a classificação com poucos exemplos.
Rede de Protótipos (Prototype Network)
Modelo de meta-aprendizagem que constrói um 'protótipo' para cada classe, calculando a média das características dos poucos exemplos disponíveis, e então classifica uma nova instância aproximando-a do protótipo mais próximo.
Rede de Correspondência (Matching Network)
Arquitetura que utiliza um mecanismo de atenção para comparar um novo exemplo (consulta) com o conjunto de exemplos de suporte, gerando uma previsão ponderada baseada na similaridade de cada exemplo de suporte.
Rede de Relação (Relation Network)
Extensão das redes de correspondência que aprende explicitamente uma função de similaridade (módulo de relação) para medir o grau de relação entre uma consulta e os exemplos de suporte, em vez de usar uma distância fixa.
Ajuste Fino Baseado em Suporte (Support-Based Fine-Tuning)
Estratégia onde um modelo pré-treinado em um grande conjunto de dados base é rapidamente re-treinado (fine-tuned) no conjunto de dados de suporte muito pequeno (few-shot) para se adaptar às novas classes.
Espaço de Incorporação (Embedding Space)
Representação vetorial de baixa dimensão onde os objetos são projetados, concebida de forma que a distância entre os vetores reflita a similaridade semântica ou visual dos objetos, crucial para a classificação com poucos exemplos.
Perda Contrastiva (Contrastive Loss)
Função de perda utilizada em aprendizagem por métrica que minimiza a distância entre pares de exemplos da mesma classe (âncoras e positivos) enquanto maximiza a distância em relação aos exemplos de classes diferentes (negativos).
Perda Triplet (Triplet Loss)
Função de perda que opera em trios de exemplos (uma âncora, um positivo da mesma classe, um negativo de uma classe diferente) para aprender um espaço de incorporação onde a distância âncora-positivo é menor que a distância âncora-negativo por uma certa margem.
Detecção Sem Caixas (Box-Free Detection)
Paradigma alternativo no few-shot que se concentra na classificação da presença de objetos em uma região sem prever caixas delimitadoras precisas, simplificando assim a tarefa quando os dados são extremamente limitados.
Aprendizagem por Reforço para Few-Shot
Utilização de algoritmos de aprendizagem por reforço para otimizar o processo de aprendizagem do few-shot, por exemplo, aprendendo uma política para selecionar os exemplos de suporte mais relevantes ou para ajustar o modelo.
Re-ponderação de Classes (Class Re-weighting)
Técnica que ajusta a contribuição de cada classe na função de perda para contrariar o desequilíbrio extremo entre as classes base (numerosas) e as classes novas (raras) em um contexto de detecção few-shot.
Detecção de Objetos com Um Exemplo (One-Shot Object Detection)
Caso extremo do few-shot onde o modelo deve aprender a detectar uma nova classe de objetos a partir de um único exemplo rotulado, representando um grande desafio em termos de generalização.
Detecção de Objetos com Zero Exemplo (Zero-Shot Object Detection)
Cenário ainda mais ambicioso que o few-shot, onde o modelo deve detectar classes de objetos para as quais não recebeu nenhum exemplo visual, baseando-se unicamente em descrições semânticas (por exemplo, atributos ou texto).