بالنظر إلى مشاكل كانت نماذج التعلم القليل العينات الحالية تعاني منها مثل الإفراط في التكيف وقلة القدرة على التعميم عبر المجالات، واستلهامًا من خاصية حساب مستودع الذاكرة التي لا تعتمد على التدريب وتخفف من الإفراط في التكيف، تم اقتراح طريقة تعلم قليل العينات مبنية على حساب مستودع الذاكرة (شبكة حساب مستودع الذاكرة لتصنيف الصور قليل العينات، RCFIC). تتكون الطريقة بالكامل من وحدة استخراج الميزات، وحدة تعزيز الميزات، ووحدة المصنف. تتضمن وحدة تعزيز الميزات وحدة مستودع الذاكرة وآلية الانتباه المبنية على مستودع الذاكرة، حيث تعزز ميزات شبكة استخراج الميزات على مستوى القنوات وعلى مستوى البكسل، وفي الوقت نفسه، تعزز المصنف الكوني من تعلم شبكة ذات توزيع ميزات بخواص تباين عالي بين الفئات وتباين منخفض داخل الفئة. تشير نتائج التجارب إلى أن الخوارزمية المقترحة تحقق دقة تصنيف أعلى بمقدار 1.07% على الأقل مقارنة بالطرق الحالية في مجموعات البيانات مثل Cifar-FS وFC100 وMini-ImageNet، كما تتفوق على أفضل الطرق في تصنيف المشهد عبر المجالات من Mini-ImageNet إلى CUB-200 بنسبة 1.77%. بالإضافة إلى ذلك، تؤكد تجارب إزالة المكونات فعالية RCFIC. الطريقة المقترحة تمتاز بقابلية تعميم قوية، وتستطيع بفعالية تخفيف مشكلة الإفراط في التكيف في تصنيف الصور قليل العينات وحل مشاكل انتقال المجال إلى حد ما.

التعلم القليل العينات; حساب مستودع الذاكرة; آلية الانتباه; تعزيز الميزات; تصنيف الصور