البحث التلقائي القائم على القالب عن هياكل تجزئة دلالية مدمجة

البحث التلقائي عن هياكل العصبيات للأهداف المختلفة المتعلقة بالرؤية واللغة الطبيعية يصبح أداة بارزة، حيث يسمح باكتشاف الهياكل ذات الأداء العالي على أي مجموعة بيانات مهتم بها. ومع ذلك، في المجالات الأكثر صعوبة مثل تصنيف البكسل الكثيف، تقتصر النهج الحالية التلقائية في نطاقها - بسبب اعتمادها القوي على المصنفات الصورية الحالية، فإنها تميل إلى البحث فقط عن عدد قليل من الطبقات الإضافية مع استمرار وجود عدد كبير من المعلمات في الهياكل المكتشفة. بخلاف ذلك، نقترح في هذا العمل حلًا جديدًا قادرًا على العثور على هياكل تقسيم خفيفة الوزن ودقيقة بدءًا من عدد قليل من الكتل في شبكة تصنيف تم تدريبها مسبقًا. لتحقيق هذا الهدف، نبني تدريجيًا منهجية تعتمد على قوالب لمجموعات العمليات، وتتنبأ بكيفية تطبيق القالب وكيفية تكراره في كل خطوة، بينما تقوم أيضًا بإنشاء بنية الاتصال وعوامل التقليل. يتم اتخاذ جميع هذه القرارات بواسطة شبكة عصبية متكررة يتم تشجيعها بناءً على درجة الهيكل المُصدر على مجموعة البيانات المحتجزة ويتم تدريبها باستخدام التعلم التعزيزي. حققت أحدى الهياكل المكتشفة نسبة تقاطع متوسطة (mean IoU) بلغت 63.2٪ على CamVid و 67.8٪ على CityScapes مع وجود 270 ألف معلمة فقط. يمكن الحصول على النماذج التي تم تدريبها مسبقًا وكود البحث من الرابط التالي:https://github.com/DrSleep/nas-segm-pytorch.请注意，"CamVid" 和 "CityScapes" 是数据集的名称，通常在阿拉伯语中也会保留其英文形式。同时，"mean IoU"（平均交并比）是一个常见的评估指标，在阿拉伯语中通常也直接使用其英文缩写。