التعرف الدقيق: أخذ الفروق الدقيقة بين الفئات المشابهة بعين الاعتبار

المطلب الرئيسي في المهام المتعلقة بالتمييز الدقيق هو التركيز على التفاصيل التمييزية الدقيقة التي تُميّز الفئات الفرعية عن بعضها البعض. نلاحظ أن الطرق الحالية تتناول هذا الشرط بشكل ضمني، وتركز على أن يُكتشف من خلال نموذج مُستند إلى البيانات ما الذي يُميّز فئة فرعية عن غيرها. وهذا يؤدي إلى قيود رئيسية اثنتين: أولاً، يركز الشبكة على الفروق الأكثر وضوحًا بين الفئات، وتجاهَل التغيرات الدقيقة بين الفئات. ثانيًا، يُفترض أن احتمال الخطأ في تصنيف عينة معينة ضمن أي من الفئات السلبية متساوٍ، في حين أن التباسات التصنيف تحدث فعليًا فقط بين الفئات الأكثر تشابهًا. هنا، نقترح توجيه الشبكة صراحةً للعثور على الفروق الدقيقة بين الفئات المرتبطة ارتباطًا وثيقًا. في هذا السياق، نقدّم ابتكارين رئيسيين يمكن دمجهما بسهولة في أي نماذج تعلم عميق نهائية (end-to-end). من جهة، نقدّم "كتلة التباين" (diversification block) التي تُغطي أبرز السمات للإدخال، مما يجبر الشبكة على الاعتماد على مؤشرات أكثر دقة لتصنيفها الصحيح. وفي الوقت نفسه، نقدّم دالة خسارة تعتمد على التحسين التدريجي للتقدير (gradient-boosting loss function) التي تركز فقط على الفئات المُربكة لكل عينة، وبالتالي تتحرك بسرعة في الاتجاه على سطح الخسارة الذي يسعى إلى حل هذه الغموض. ويتجلّى التآزر بين هاتين الكتلتين في تمكين الشبكة من تعلّم تمثيلات مميزة أكثر فعالية. أجرينا تجارب شاملة على خمسة مجموعات بيانات صعبة. وتفوّقت طريقةنا على الطرق الحالية في جميع الخمس مجموعات بيانات، مع استخدام إعدادات تجريبية مشابهة.