Few-Shot Learning: Learning with less data

Abstract

Deep learning has achieved great success in solving many tasks in various fields, but this success is conditional on the availability of a significant amount of data to train on, as well as the availability of the computing capabilities necessary to obtain good results, while in reality, there are several problems and areas of nature that have a small amount of data, and here comes the role of our field of study, Few-Shot learning, which attempts to bridge the gap between deep learning models and human learning ability from a few examples. In our work, we try to discover the field of Few-Shot learning, first theoretically, by taking note of its most important foundations, approaches and methods. Secondly, practically, by training the Siamese neural network with a small amount of data, so that our model is able to distinguish classes that were not seen during training, we recorded an important observation, that good discrimination is not coupled with extensive training and that satisfactory results regarding discrimination accuracy reach about 84%...لتعلم العميق حقق نجاحا كبيرا في توفير الحلول للعديد من المهام في مختلف المجالات ولكن هذا النجاح مشروط بتوفر كمية معتبرة من البيانات للتدريب عليها وكذلك توفر قدرات الحوسبة اللازمة للحصول على نتائج جيدة، بينما واقعيا هناك عدة مشكلات ومجالات بطبعها تتوفر على كمية قليلة من البيانات وهنا يأتي دور مجال دراستنا التعلم من خلال عدد قليل من البيانات، والذي يحاول سد الفجوة بين نماذج التعلم العميق وقدرة التعلم البشري من أمثلة قليلة. في هذا العمل حاولنا اكتشاف مجال التعلم من خلال عدد قليل من البيانات نظريا من خلال الاحاطة بأهم أسسه ومقارباته وطرائقه ومن الناحية التطبيقية من خلال تدريب الشبكة العصبية السيامية باستعمال عدد قليل من البيانات بحيث يكون نموذجنا ً قادرا على التمييز بين أصناف لم يرها خلال التدريب وقد سجلنا ملاحظة مهمة أن التمييز الجيد غير مقرون بالتدريب المكثف ونتائج مرضية بخصوص دقة التمييز وصلت لنحو 84بالمئة