یک روش یادگیری بدون نمونه تعمیم یافته ترکیبی برای طبقه بندی تصاویر

یکی از چالش‌های مهم در یادگیری ماشین نیاز به داده‌های آموزشی زیاد می‌باشد که باعث می‌شود تا هزینه‌ها و زمان آماده سازی این داده‌ها افزایش پیدا کند. از سویی در برخی از موارد ممکن است داده‌های زیادی در دسترس نبوده و یا مسئله حریم خصوصی وجود داشته باشد. یادگیری بدون نمونه تعمیم‌یافته توانسته گزینه مناسبی در این شرایط بوده و کلاس‌های دیده شده و دیده نشده را پیش بینی نماید. با آنکه روش‌های مختلفی در این زمینه ارائه شده است اما دقت تشخیص کلاس‌های دیده شده و دیده نشده با چالش‌های مختلفی روبه‌رو می‌باشد. در این مقاله یادگیری بدون نمونه تعمیم یافته ترکیبی (h-gzsl) معرفی شده که توانسته باعث افزایش دقت طبقه‌بندی در یادگیری بدون نمونه تعمیم‌یافته شود. در روش پیشنهادی از دو روش طبقه‌بندی به طور هم‌زمان استفاده می‌شود که باعث شده تا دقت طبقه‌بندی نمونه‌ها در کلاس‌های دیده شده و دیده نشده افزایش پیدا کند. برای مواجهه با سناریو‌های مختلف و تناقض در طبقه‌بندی از یک ساز و کار اصلاح استفاده شده است. این ساز و کار کلاس پیش‌بینی شده دو روش را مقایسه و نمونه را در مناسب‌ترین کلاس طبقه‌بندی می‌نماید. روش پیشنهادی بر روی مجموعه داده‌های awa2، sun، apy، cub و flow مورد ارزیابی قرار گرفت. ارزیابی کلاس‌های دیده شده و نشده به طور جدا محاسبه و در نهایت میانگین ‌هارمونیک طبقه‌بندی نمونه‌ها محاسبه گردید. روش پیشنهادی توانسته تا در مقایسه با روش‌های پیشین دقت میانگین هارمونیک را در مجموعه داده‌ cub و sun افزایش دهد.

a hybrid generalized zero-shot learning method for image classification

abstract- one of the main challenges in machine learning is the need for extensive training data, which increases the cost and time required for data preparation. in some cases, there may be limited data available, or privacy concerns may arise. generalized zero-shot learning (gzsl) offers a suitable option in such situations, enabling the prediction of both seen and unseen classes. although various methods have been proposed in this field, accurately recognizing seen and unseen classes still presents multiple challenges. this paper introduces a hybrid generalized zero-shot learning (h-gzsl) approach, which improved classification accuracy in gzsl. the proposed method simultaneously utilizes two classification techniques, enhancing classification accuracy for both seen and unseen classes. to address different scenarios and resolve conflicts in classification, a correction mechanism is employed. this mechanism compares the predicted classes from the two methods and assigns the instance to the most appropriate one. the proposed method was evaluated on the awa2, sun, apy, cub, and flow datasets. the evaluation separately measured the performance on seen and unseen classes, and the harmonic mean of classification accuracy across these classes was calculated. compared to previous methods, the proposed approach achieved an improvement in the harmonic mean accuracy on the cub and sun datasets.