Глоссарий ИИ
Полный словарь искусственного интеллекта
Обнаружение объектов с малым числом примеров (Few-Shot Object Detection)
Поддисциплина обнаружения объектов, направленная на обучение моделей способным распознавать новые категории объектов, используя очень ограниченное количество обучающих примеров, часто менее десяти на класс.
Метрическое обучение (Metric Learning)
Техника, заключающаяся в обучении функции расстояния или пространства вложений (embedding space), в котором объекты одного класса находятся близко, а объекты разных классов — далеко, что облегчает классификацию при малом количестве примеров.
Сеть прототипов (Prototype Network)
Модель метаобучения, которая строит «прототип» для каждого класса путем усреднения признаков нескольких доступных примеров, а затем классифицирует новый экземпляр, относя его к ближайшему прототипу.
Сеть сопоставления (Matching Network)
Архитектура, использующая механизм внимания для сравнения нового примера (запроса) с набором опорных примеров, генерируя взвешенный прогноз на основе схожести с каждым опорным примером.
Реляционная сеть (Relation Network)
Расширение сетей сопоставления, которое явно обучает функцию сходства (реляционный модуль) для измерения степени связи между запросом и опорными примерами, вместо использования фиксированного расстояния.
Тонкая настройка на опорных данных (Support-Based Fine-Tuning)
Стратегия, при которой предварительно обученная модель на большом базовом наборе данных быстро дообучается (fine-tuning) на очень маленьком наборе опорных данных (few-shot) для адаптации к новым классам.
Пространство вложений (Embedding Space)
Векторное представление низкой размерности, в которое проецируются объекты, спроектированное таким образом, чтобы расстояние между векторами отражало семантическое или визуальное сходство объектов, что имеет решающее значение для классификации с малым числом примеров.
Контрастивная функция потерь (Contrastive Loss)
Функция потерь, используемая в метрическом обучении, которая минимизирует расстояние между парами примеров одного класса (якорями и позитивными примерами), одновременно максимизируя расстояние до примеров других классов (негативных примеров).
Потеря триплета (Triplet Loss)
Функция потерь, которая работает с триплетами примеров (якорь, положительный пример того же класса, отрицательный пример другого класса) для обучения пространства вложений, в котором расстояние между якорем и положительным примером меньше расстояния между якорем и отрицательным примером на определенную величину.
Обнаружение без рамок (Box-Free Detection)
Альтернативная парадигма в few-shot обучении, которая фокусируется на классификации присутствия объектов в области без прогнозирования точных ограничивающих рамок, что упрощает задачу при крайне ограниченных данных.
Обучение с подкреплением для Few-Shot
Использование алгоритмов обучения с подкреплением для оптимизации процесса few-shot обучения, например, путем изучения политики выбора наиболее релевантных опорных примеров или настройки модели.
Перевзвешивание классов (Class Re-weighting)
Техника, корректирующая вклад каждого класса в функцию потерь для противодействия крайнему дисбалансу между базовыми (многочисленными) и новыми (редкими) классами в контексте few-shot обнаружения.
Обнаружение объектов по одному примеру (One-Shot Object Detection)
Крайний случай few-shot, при котором модель должна научиться обнаруживать новый класс объектов на основе единственного размеченного примера, что представляет собой серьезную проблему с точки зрения обобщения.
Обнаружение объектов без примеров (Zero-Shot Object Detection)
Сценарий еще более амбициозный, чем few-shot, в котором модель должна обнаруживать классы объектов, для которых не было предоставлено ни одного визуального примера, полагаясь исключительно на семантические описания (например, атрибуты или текст).