فهرست نشریات علمی دسترسی آزاد ایران

در این پژوهش سعی بر آن شد تا شکل تغییریافته‌ای از رویکرد prototypical networks برای حل مسئله طبقه‌بندی شات محدود پیشنهاد شود. در این شبکه‌ها، طبقه‌بند سعی می‌کند تا با توجه به تنها تعداد کمی از نمونه‌های هر کلاس جدید نسبت به این کلاس‌ها تعمیم یابد. در رویکرد پیشنهادی به‌جای فاصله اقلیدسی، که در رویکرد مرجع استفاده شده است، از فاصله ماهالانوبیس برای اندازه‌گیری فاصله بین نمونه‌ها استفاده شد. به این ترتیب شبکه یک فضای متریک را یاد می‌گیرد که در آن می‌توان طبقه‌بندی را با محاسبه فواصل نسبت به بازنمایی‌های نمونه اولیه هر کلاس انجام داد. همچنین از یک معماری شبکه عصبی پنج لایه با فیلتر‌هایی با سایز پنج در پنج به‌جای بلوک‌های چهارتایی معرفی شده در رویکرد prototypical networks مرجع استفاده شد. این تغییرات موجب بهبود عملکرد این شبکه‌ها در طبقه‌بندی تصاویر omniglot و miniImageNet شد به طوری که شبکه پیشنهادی توانست به ترتیب به‌دقت‌های 1/99% و 5/68% بر روی این دو مجموعه داده دست یابد که نسبت به شبکه‌های نمونه‌های اولیه از دقت بهتری برخوردار است. نتایج نشان می‌دهد که برخی از تصمیمات ساده طراحی می‌توانند پیشرفت‌های قابل‌توجهی را در رویکردهای اخیر در این زمینه مانند انتخاب‌های معماری پیچیده و فرا یادگیری ایجاد کنند.