اكتشف قوة التعلم من لقطة واحدة، وهي تقنية ثورية للذكاء الاصطناعي تتيح للنماذج التعميم من الحد الأدنى من البيانات للتطبيقات الواقعية.
التعلّم بلقطة واحدة (OSL) هو مهمة تصنيف ضمن التعلّم الآلي (ML) حيث يتم تدريب النموذج على التعرف على فئة كائن جديد من مثال واحد فقط. على عكس نماذج التعلّم العميق التقليدية التي تتطلب كميات هائلة من بيانات التدريب، يهدف التعلّم من لقطة واحدة إلى محاكاة القدرة البشرية على التعرف على مفهوم جديد من مثال واحد. وهذا يجعلها ذات قيمة خاصة في السيناريوهات التي يكون فيها جمع البيانات مكلفاً أو صعباً أو مستحيلاً. لا تكمن الفكرة الأساسية في تعلم تصنيف الأشياء مباشرة، بل في تعلم دالة تشابه يمكنها تحديد ما إذا كانت صورتان تنتميان إلى نفس الفئة.
بدلاً من تدريب نموذج لتحديد فئات معينة، عادةً ما يتم تدريب نماذج OSL على مهمة مختلفة: تحديد ما إذا كانت صورتا الإدخال متماثلتين أو مختلفتين. البنية الشائعة المستخدمة لهذا الغرض هي الشبكة السيامية، والتي تتكون من شبكتين عصبيتين متطابقتين تشتركان في نفس الأوزان. تعالج كل شبكة إحدى صورتي الإدخال لإنشاء تضمين - وهوتمثيل رقمي مضغوط للصورة.
ثم يقارن النموذج هذين التضمينين لحساب درجة التشابه. أثناء تدريب النموذج، تتعلّم الشبكة إنتاج تضمينات متشابهة للصور من نفس الفئة وتضمينات مختلفة للصور من فئات مختلفة. بمجرد التدريب، يمكن للنموذج تصنيف صورة جديدة من خلال مقارنتها ب "لقطة" واحدة أو مثال واحد من كل فئة معروفة. يتم تعيين الصورة الجديدة إلى الفئة ذات درجة التشابه الأعلى. يعتمد هذا النهج بشكل كبير على الاستخراج الجيد للميزات لبناء تمثيلات قوية.
يعد OSL جزءًا من عائلة أوسع من طرق التعلم المصممة لسيناريوهات البيانات المنخفضة:
يعتبر التعلّم بلقطة واحدة فعالاً للغاية في المواقف التي تندر فيها البيانات.
يتمثل التحدي الرئيسي في OSL في التعميم. يجب أن يتعلم النموذج الجوهر الأساسي لفئة ما من مثال واحد دون الإفراط في ملاءمة سماته المحددة. وبالتالي فإن جودة المثال الواحد أمر بالغ الأهمية. وتركز الأبحاث الجارية، مثل العمل الذي تم تسليط الضوء عليه في " أوراق مع التعليمات البرمجية"، على تطوير تمثيلات أكثر قوة للميزات واستراتيجيات متقدمة للتعلم الفوقي. ويمكن أن يؤدي دمج إمكانات التعلم الفائق في منصات الرؤية ذات الأغراض العامة مثل Ultralytics HUB إلى توسيع نطاق استخدامها بشكل كبير في البيئات محدودة البيانات. وبما أن النماذج أصبحت أكثر قوة، فإن تقييمها بمقاييس أداء مناسبة في ظل هذه الظروف الصعبة هو أيضاً مجال رئيسي للدراسة.
