SEGA: Семантическое направленное внимание на визуальный прототип для обучения с несколькими кадрами |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-11-10 11:58 Обучение машин распознаванию новой категории на основе небольшого количества обучающих образцов, особенно одного, остается сложной задачей из-за неполного понимания новой категории, вызванного недостатком данных. Однако человек может быстро выучить новые классы даже при небольшом количестве образцов, поскольку он может сказать, на какие дискриминационные признаки следует обратить внимание в каждой категории, основываясь как на визуальных, так и на семантических предварительных знаниях. Чтобы лучше использовать эти предварительные знания, авторы данной работы предложили механизм SEmantic Guided Attention (SEGA), в котором семантические знания используются для управления визуальным восприятием сверху вниз в отношении того, на какие визуальные признаки следует обратить внимание при отличии категории от других. В результате встраивание нового класса даже при небольшом количестве образцов может быть более дискриминационным. Статья: https://arxiv.org/pdf/2111.04316v1.pdf Источник: arxiv.org Комментарии: |
|