Resumen

El reconocimiento de objetos con poca información, que aprovecha un conjunto de datos bien etiquetados para construir un clasificador para nuevas clases que tienen solo algunas muestras por clase, ha recibido una atención extensa por parte de la comunidad de aprendizaje automático. En este artículo, investigamos el problema de diseñar una función de pérdida óptima para el reconocimiento de objetos con poca información y proponemos un sistema novedoso de reconocimiento de objetos con poca información que incluye los siguientes tres pasos: (1) generar una arquitectura de función de pérdida utilizando una red neuronal recurrente (generador); (2) entrenar una red de incrustación base con la función de pérdida generada en un conjunto de entrenamiento; (3) ajustar la red de incrustación base utilizando las instancias con poca información de un conjunto de validación para obtener la precisión y usarla como una señal de recompensa para actualizar el generador. Este procedimiento se repite e implementa en el marco de aprendizaje por refuerzo para encontrar la mejor arquitectura de pérdida de manera que la red de inc

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Reconocimiento de objetos; Función de pérdida; Aprendizaje de pocas muestras; Red neuronal; Aprendizaje por refuerzo; Rendimiento
• Keywords:Object recognition; Loss function; Few-shot learning; Neural network; Reinforcement learning; Performance