ADVENT: تقليل الإنتروبيا المعادية للتكيف بين المجالات في التجزئة الدلالية

التمييز الدلالي هو مشكلة رئيسية في العديد من مهام رؤية الحاسوب. بينما تواصل الأساليب المستندة إلى الشبكات العصبية التلافيفية كسر الأرقام القياسية في مختلف المعايير، فإن التعميم بشكل جيد إلى بيئات الاختبار المتنوعة لا يزال تحديًا كبيرًا. في العديد من التطبيقات الواقعية، هناك بالفعل فجوة كبيرة بين توزيعات البيانات في مجالات التدريب والاختبار، مما يؤدي إلى خسارة أداء شديدة أثناء التشغيل. في هذا العمل، نتناول مهمة التكيف غير المنظور بين المجالات في التمييز الدلالي باستخدام خسائر تعتمد على الإنتروبيا للتنبؤات البكسلية. لهذا الغرض، نقترح طريقتين جديدتين ومتكاملتين تستخدمان (i) خسارة الإنتروبيا و (ii) خسارة المعادية (adversarial loss) على التوالي. نظهر الأداء الرائد في التمييز الدلالي على تنسيقين صعبين "من الصورة المركبة إلى الحقيقية" ونبين أن النهج يمكن استخدامه أيضًا للكشف.