رمزگذار چندمقیاسی سبک برای طبقه‌بندی تصویر با نمونه‌های اندک معرفی شد

یادگیری Few-Shot برای دسته‌بندی موقعیت‌هایی به کار می‌رود که در هر کلاس فقط تعداد کمی نمونهٔ برچسب‌خورده وجود دارد. پژوهشگران در پیش‌چاپی در arXiv، رمزگذار چندمقیاسی Sum12 را معرفی کرده‌اند؛ معماری کانولوشنی سبکی که برای بهبود مرحلهٔ ساخت embedding در Prototypical Networks طراحی شده است.

این رمزگذار هفت شاخهٔ کانولوشنی موازی دارد. ترکیب اندازهٔ کرنل‌های شاخه‌ها به ۱۲ می‌رسد تا ساختارهای مکانی محلی و گسترده‌تر در یک فضای ویژگی چندمقیاسی بازنمایی شوند. نویسندگان معماری را با پروتکل‌های کنترل‌شدهٔ یادگیری Few-Shot روی مجموعه‌داده‌های Omniglot، CIFAR-FS، FC100 و miniImageNet ارزیابی و با نسخهٔ اصلی Prototypical Network مقایسه کرده‌اند. متن در دسترس از منبع، نتیجهٔ مقایسه را شرح نمی‌دهد.