التكيف النطاقي للنواتج المهيكلة من خلال التمثيلات التمييزية للأجزاء

تنبؤ الإخراجات المهيكلة مثل التجزئة الدلالية يعتمد على تسميات مكلفة لكل بكسل لتعلم النماذج المراقبة مثل الشبكات العصبية التلافيفية. ومع ذلك، قد لا تعمم النماذج التي تم تدريبها على مجال بيانات واحد بشكل جيد إلى مجالات أخرى دون تسميات لضبط النموذج.为了避免繁琐的注释过程，我们开发了一种领域适应方法，以将源数据适应到未标记的目标领域。我们建议通过构建聚类空间来发现块级输出分布的多种模式，从而学习源域中块的判别特征表示。借助这些表示作为指导，我们使用对抗学习方案将目标块在聚类空间中的特征表示推向更接近源块的分布。此外，我们证明了我们的框架是对现有领域适应技术的补充，并在语义分割方面取得了持续改进。我们在多个基准数据集上展示了广泛的消融实验和结果，包括从合成到真实以及跨城市场景等各种设置。修正后的翻译：تنبؤ الإخراجات المهيكلة مثل التجزئة الدلالية يعتمد على تسميات مكلفة لكل بكسل لتعلم النماذج المراقبة مثل الشبكات العصبية التلافيفية. ومع ذلك، قد لا تعمم النماذج التي تم تدريبها على مجال بيانات واحد بشكل جيد إلى مجالات أخرى دون تسميات لضبط النموذج. للتجنب العملية الشاقة للتسمية، قمنا بتطوير طريقة التكيف بين المجالات لتكييف البيانات المصدرية مع المجال الهدف غير المصنف. نقترح تعلم تمثيلات الخواص التمييزية للقطع في المجال المصدري من خلال اكتشاف عدة أوضاع لتوزيع الإخراجات القطعية عبر بناء فضاء متجمع (clustered space). باستخدام هذه التمثيلات كدليل، نستخدم مخطط التعلم المعادي (adversarial learning) لدفع تمثيلات الخواص للقطع الهدف في الفضاء المتجمع أقرب إلى توزيعات القطع المصدرية. بالإضافة إلى ذلك، نوضح أن إطارنا هو مكمل للتقنيات الحالية للتكيف بين المجالات وينجز تحسينات مستمرة في التجزئة الدلالية. لقد عرضنا اختبارات الاستبعاد الواسعة والنتائج على العديد من مجموعات البيانات المرجعية بظروف مختلفة، مثل السيناريوهات من الصور الاصطناعية إلى الحقيقية والسيناريوهات بين المدن.