Lernen von einem Beispiel durch gemeinsame Dichten auf Transformationen

Wir definieren einen Prozess namens Congealing, bei dem Elemente eines Datensatzes (Bilder) gemeinsam in Übereinstimmung zueinander gebracht werden, wodurch ein datendefiniertes Modell entsteht. Dieser Prozess basiert auf der Minimierung der summierten komponentenweise (pixelweise) Entropien über eine kontinuierliche Menge von Transformationen der Daten. Eines der Nebenprodukte dieser Minimierung ist eine Menge von Transformationen, von denen jeweils eine mit jeder ursprünglichen Trainingsprobe assoziiert ist. Anschließend demonstrieren wir ein Verfahren, um Testdaten effektiv in Übereinstimmung mit dem im Congealing-Prozess erzeugten datendefinierten Modell zu bringen. Des Weiteren entwickeln wir eine Wahrscheinlichkeitsdichte über die Menge der Transformationen, die aus dem Congealing-Prozess entstanden sind. Wir schlagen vor, dass diese Dichte über Transformationen von vielen Klassen geteilt werden kann, und zeigen, wie man diese Dichte als "Vorwissen" nutzen kann, um einen Klassifikator zu entwickeln, der auf nur einem einzigen Trainingsbeispiel pro Klasse basiert.