التمييز الدلالي والكشف عن القيم الشاذة بشكل متزامن في وجود تحول النطاق

النجاح الأخير في مجموعات البيانات الخاصة بالقيادة على الطرق الحقيقية زاد من اهتمام الباحثين باستكشاف الأداء القوي في التطبيقات الواقعية. أحد المشكلات الرئيسية غير المحسومة هو تحديد محتوى الصور الذي لا يمكن التعرف عليه بشكل موثوق به باستخدام محرك استدلال معين. ولذلك، ندرس الأساليب التي تهدف إلى استعادة خريطة كثيفة للقيم الشاذة بجانب المهمة الأساسية في عملية مرور واحدة، وذلك من خلال الاعتماد على الخصائص التجاوزية المشتركة. نعتبر التجزئة الدلالية هي المهمة الأساسية ونقوم بإجراء تحقق واسع النطاق على مجموعة WildDash val (القيم الطبيعية)، ومجموعة LSUN val (القيم الشاذة)، والأشياء المعجنة من Pascal VOC 2007 (القيم الشاذة). نحقق أفضل أداء في التحقق من خلال التدريب على تمييز القيم الطبيعية من المحتوى المعجن من ImageNet-1k، رغم أن ImageNet-1k يحتوي على العديد من بكسلات القيادة على الطرق، ويفشل، على الأقل اسمياً، في اعتبار التنوع الكامل للعالم المرئي. الأنموذج ذو الرأسين المقترح يؤدي بشكل مشابه للأنموذج متعدد الفئات C-way الذي تم تدريبه لتنبؤ التوزيع المنتظم في القيم الشاذة، بينما يتفوق على عدة أساليب أخرى تم التحقق منها. نقيّم أفضل نموذجين لدينا على مجموعة اختبار WildDash ونحدد مستوى جديد للمعايير المرجعية في معيار WildDash.