نقدم تقنيتين لتحسين تحديد المعالم في الصور من مجموعات بيانات جزئياً مشهورة. الهدف الرئيسي هو الاستفادة من الحالة الشائعة التي يتم فيها توفير مواقع المعالم بدقة فقط لجزء صغير من البيانات، بينما تكون تسميات الفئات للمهام المتعلقة بالتصنيف أو الانحدار المرتبط بالمعالم متاحة بكثرة. أولاً، نقترح إطار العمل المتعدد المهام التتابعي ونستكشفه هنا من خلال هندسة لتحديد المعالم حيث تعمل التدريبات بتسميات الفئات كإشارة مساعدة لتوجيه تحديد المعالم على البيانات غير المشهورة. جانب مهم في نهجنا هو أن الأخطاء يمكن أن تتم معالجتها بشكل عكسي عبر نموذج كامل لتحديد المعالم. ثانيًا، نقترح ونستكشف تقنية تعلم غير مشرف لتحديد المعالم تعتمد على قدرة النموذج على التنبؤ بالمعالم المتكافئة بالنسبة للتحويلات المطبقة على الصورة. نوضح أن هذه التقنيات تحسن التنبؤ بالمعالم بشكل كبير ويمكنها تعلم كاشفات فعالة حتى عندما يكون جزء صغير فقط من مجموعة البيانات لديه تسميات للمعالم. نقدم النتائج على مجموعتين بسيطتين وأربع مجموعات بيانات حقيقية تحتوي على اليدين والوجوه، ونبلغ عن أفضل مستوى جديد للحالة الحالية في مجموعتي بيانات في الطبيعة، مثل تجاوزنا لأفضل مستوى سابق للحالة الحالية الذي تم تدريبه على مجموعة بيانات AFLW باستخدام 5٪ فقط من الصور المشهورة.请注意，AFLW (Annotated Faces in the Wild) 是一个常用的数据集名称，在阿拉伯语中通常保留其英文形式。如果您希望将其翻译为阿拉伯语，可以写作 "الوجوه المشهورة في الطبيعة"。