طبقه بندی k- نزدیکترین همسایه با استفاده از داده های اندک و شبکه های عصبی عمیق

اخیرا استفاده از شبکه های عصبی عمیق به عنوان یک روش یادگیری بازنمایی در الگوریتم هایی همچون k- نزدیکترین همسایه بسیار مورد توجه قرار گرفته است. با توجه به اینکه الگوریتم k- نزدیکترین همسایه را می توان برای مسائل با هر تعداد داده به کار برد، نیاز شبکه های عصبی عمیق به داده زیاد جهت آموزش، مانع از به کار گیری این نوع از شبکه ها در مسائل یادگیری کم-شات با داده اندک ( 5 و 10 نمونه) می شود. در این مقاله با استفاده از یک استراتژی سه گانه و به کارگیری یک تابع زیان سیامی در یک لایه بازنمایی، سعی شده است تا نیاز شبکه های عصبی عمیق به تعداد زیاد داده کاهش یابد. در مقایسه ای که بین روش پیشنهادی با روش مرسوم شبکه های عصبی عمیق، روش سیامی، روش سه گانه و روش k- نزدیکترین همسایه مبتنی بر پیکسل با پنج پایگاه داده استاندارد صورت گرفته شد، بهبود قابل توجهی در میزان دقت طبقه بندی مشاهده گردید.

کلیدواژه ها:

، k- نزدیکترین هم سایه ، شبکه های عصبی عمیق/ژرف ، یادگیری ویژگی/ بازنمایی ، داده های اندک