Estimación de la distribución de granularidad híbrida para el aprendizaje de pocos disparos: transferencia de...

Área de la Ciencia:

• Aprendizaje automático Aprendizaje automático.
• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador

Sus antecedentes:

• El aprendizaje a corto plazo (FSL) se enfrenta a desafíos debido a la escasez de datos.
• La estimación de la distribución a nivel de categoría en FSL puede conducir a un rendimiento subóptimo debido a las diferencias entre las categorías base y las nuevas.

Objetivo del estudio:

• Introducir la Estimación de Distribución de Granularidad Híbrida (HGDE) para una estimación de distribución más efectiva en FSL.
• Mejorar la caracterización de nuevas categorías mediante la integración de estadísticas de grano grueso y grano fino.

Principales métodos:

• HGDE integra las estadísticas a nivel de categoría con las estadísticas a nivel de instancia de las muestras base más cercanas.
• Las estadísticas se fusionan utilizando interpolación lineal para crear una distribución robusta para las nuevas categorías.
• Se emplean técnicas de estimación refinadas, incluida la suma ponderada para la retención de la media y el componente principal para la covarianza.

Principales resultados:

• HGDE demostró capacidades efectivas de estimación de distribución en cuatro puntos de referencia de FSL (Mini-ImageNet, Tiered-ImageNet, CUB, CIFAR-FS).
• Se observaron notables ganancias de precisión, con una mejora de más del 1,8% en las tareas de un solo disparo en CUB.
• El método equilibra efectivamente la precisión media y la diversidad de variación.

Conclusiones:

• HGDE ofrece una solución versátil y efectiva para el aprendizaje de pocos disparos al mejorar la estimación de la distribución.
• El enfoque híbrido captura características sutiles que se pasan por alto solo por la estimación a nivel de categoría.
• HGDE mejora la diversidad y la representatividad de la muestra, lo que conduce a un mejor rendimiento de la FSL.