التدريب المسبق يعزز المتانة خارج المجال لتقدير الوضعية

الشبكات العصبية هي أدوات فعالة للغاية لتقدير الوضعية. ومع ذلك، كما هو الحال في مهام الرؤية الحاسوبية الأخرى، فإن المرونة تجاه البيانات خارج النطاق ما زالت تمثل تحديًا، خاصة بالنسبة لمجموعات التدريب الصغيرة التي تكون شائعة في التطبيقات الواقعية. في هذا البحث، ندرس قدرة التعميم باستخدام ثلاث فئات من الأبنية (MobileNetV2s، ResNets، وEfficientNets) لتقدير الوضعية. لقد طورنا مجموعة بيانات تتكون من 30 حصانًا تسمح بإجراء اختبارات "داخل النطاق" و"خارج النطاق" (لحصان غير مُشاهد سابقًا) - وهذا اختبار حاسم للمرونة لا يتناوله مباشرة مقاييس تقدير الوضعية البشرية الحالية. أظهرنا أن الأبنية التي تؤدي بشكل أفضل على ImageNet تحقق نتائج أفضل على البيانات داخل النطاق وخارجه إذا تم تدريبها مسبقًا على ImageNet. كما أظهرنا أن نماذج ImageNet الأفضل تعمم بشكل أفضل عبر أنواع الحيوانات المختلفة. بالإضافة إلى ذلك، نقدم Horse-C، وهو مقاس جديد للفساد الشائع في تقدير الوضعية، ونؤكد أن التدريب المسبق يزيد من الأداء في سياق تحول المجال أيضًا. بشكل عام، تُظهر نتائجنا أن التعلم النقل يفيد المرونة خارج النطاق.