یک روش یادگیری بدون نمونه تعمیم یافته ترکیبی برای طبقه بندی تصاویر
یکی از چالش های مهم در یادگیری ماشین نیاز به داده های آموزشی زیاد می باشد که باعث می شود تا هزینه ها و زمان آماده سازی این داده ها افزایش پیدا کند. از سویی در برخی از موارد ممکن است داده های زیادی در دسترس نبوده و یا مسئله حریم خصوصی وجود داشته باشد. یادگیری بدون نمونه تعمیم یافته توانسته گزینه مناسبی در این شرایط بوده و کلاس های دیده شده و دیده نشده را پیش بینی نماید. با آنکه روش های مختلفی در این زمینه ارائه شده است اما دقت تشخیص کلاس های دیده شده و دیده نشده با چالش های مختلفی روبه رو می باشد. در این مقاله یادگیری بدون نمونه تعمیم یافته ترکیبی (H-GZSL) معرفی شده که توانسته باعث افزایش دقت طبقه بندی در یادگیری بدون نمونه تعمیم یافته شود. در روش پیشنهادی از دو روش طبقه بندی به طور هم زمان استفاده می شود که باعث شده تا دقت طبقه بندی نمونه ها در کلاس های دیده شده و دیده نشده افزایش پیدا کند. برای مواجهه با سناریو های مختلف و تناقض در طبقه بندی از یک ساز و کار اصلاح استفاده شده است. این ساز و کار کلاس پیش بینی شده دو روش را مقایسه و نمونه را در مناسب ترین کلاس طبقه بندی می نماید. روش پیشنهادی بر روی مجموعه داده های AWA2، SUN، aPY، CUB و FLOW مورد ارزیابی قرار گرفت. ارزیابی کلاس های دیده شده و نشده به طور جدا محاسبه و در نهایت میانگین هارمونیک طبقه بندی نمونه ها محاسبه گردید. روش پیشنهادی توانسته تا در مقایسه با روش های پیشین دقت میانگین هارمونیک را در مجموعه داده CUB و SUN افزایش دهد.