Глоссарий ИИ
Полный словарь искусственного интеллекта
Семантическое Вложение
Плотное векторное представление классов в семантическом пространстве, где сохраняются отношения между концепциями, позволяя модели понимать сходства между никогда не виденными классами.
Классификация на Основе Атрибутов
Подход, при котором объекты описываются набором интерпретируемых семантических атрибутов, позволяющий классифицировать новые классы путем комбинирования этих предопределенных атрибутов.
Видимые Классы
Набор категорий объектов, используемых на этапе обучения модели, для которых доступны визуальные примеры для изучения представлений.
Невидимые Классы
Категории объектов, отсутствующие в обучающих данных, но которые модель должна идентифицировать при выводе, используя только семантические описания или атрибуты.
Визуально-Семантическое Отображение
Функция обучения, которая проецирует визуальные характеристики изображений в семантическое пространство, где находятся текстовые описания классов.
Функция Совместимости
Функция, измеряющая сходство между визуальным представлением и семантическим представлением, используемая для присвоения наиболее вероятного класса данному экземпляру.
Обобщенное Обучение с Нулевым Разгоном
Расширение ZSL, где модель должна классифицировать как видимые, так и невидимые классы, вводя смещение классификации в сторону знакомых классов, встреченных во время обучения.
Трансдуктивное Обучение с Нулевым Разгоном
Вариант ZSL, где модель имеет доступ к тестовым данным невидимых классов во время обучения, но без их меток, позволяя лучшее выравнивание пространств.
Индуктивное обучение с нулевым разгоном
Классический подход ZSL, где модель обучается только на видимых классах и должна полностью обобщать на невидимые классы без доступа к тестовым данным.
Кросс-модальный перенос
Перенос знаний между различными модальностями данных, например, из текста в изображения, что важно для ZSL, где текстовые описания направляют визуальное распознавание.
Семантическое пространство
Высокоразмерное векторное пространство, где представлены концепты и классы, сохраняющее семантические отношения и позволяющее рассуждать о концептуальных сходствах.
Встраивание меток
Техника преобразования меток классов в непрерывные векторы в семантическом пространстве, позволяющая моделям обрабатывать выходы классификации как задачи регрессии.
Проекция признаков
Математическая операция преобразования визуальных признаков, извлеченных из изображений, для их выравнивания с семантическими представлениями классов в общем пространстве.
Адаптация домена с нулевым разгоном
Комбинация ZSL и адаптации домена, где модель должна классифицировать невидимые классы в целевом домене, отличном от домена обучающих данных.
Иерархическое обучение с нулевым разгоном
Подход, использующий иерархическую структуру классов для улучшения обобщения на невидимые категории с использованием родительско-дочерних отношений между концептами.
Генеративное обучение с нулевым разгоном
Метод, использующий генеративные модели для синтеза визуальных признаков невидимых классов, преобразующий ZSL в классическую задачу контролируемой классификации.