A-Fast-RCNN: إنشاء إيجابيات صعبة عبر الخصم للكشف عن الأشياء

كيف نتعلم محددًا للأشياء (object detector) يكون ثابتًا تجاه التغطية والتشوهات؟ الحل الحالي هو استخدام استراتيجية تعتمد على البيانات -- جمع مجموعات بيانات كبيرة تحتوي على حالات الأشياء في ظروف مختلفة. الأمل هو أن المصنف النهائي سيتمكن من استخدام هذه الأمثلة لتعلم الثبات. ولكن هل يمكن حقًا رؤية جميع حالات التغطية في مجموعة البيانات؟ نعتقد أن التغطيات والتشوهات، مثل الفئات، تتبع ذيلًا طويلًا (long-tail). بعض حالات التغطية والتشوهات نادرة للغاية بحيث لا تحدث تقريبًا؛ ومع ذلك، نرغب في تعلم نموذج ثابت تجاه مثل هذه الحوادث. في هذا البحث، نقترح حلًا بديلًا. نقترح تعلم شبكة معادية (adversarial network) تولد أمثلة تحتوي على تغطيات وتشوهات. هدف الشبكة المعادية هو إنتاج أمثلة تكون صعبة للمحدد للأشياء تصنيفها. في إطارنا، يتم تعلم المحدد الأصلي والشبكة المعادية بطريقة مشتركة. تشير نتائج التجارب لدينا إلى زيادة بنسبة 2.3% في دقة mAP على تحدي كشف الأشياء في VOC07 وزيادة بنسبة 2.6% في دقة mAP على تحدي كشف الأشياء في VOC2012 مقارنة بخط الأنابيب Fast-RCNN. كما قمنا بإصدار الكود لهذا البحث.