تصحيح التعلم بالعلامات الوهمية من خلال تقدير عدم اليقين للانحدار التكيفي للمنطقة في التجزئة الدلالية

يركز هذا البحث على التكييف غير المراقب للنطاق، من خلال نقل المعرفة من النطاق المصدري إلى النطاق الهدف في سياق التصنيف الدلالي. تُعتبر الطرق الحالية عادةً التسميات الوهمية (pseudo labels) حقائق حقيقية للاستفادة الكاملة من بيانات النطاق الهدف غير المُعلَّمة. ومع ذلك، فإن التسميات الوهمية الخاصة ببيانات النطاق الهدف تُنتج عادةً بواسطة نموذج تم تدريبه على النطاق المصدري، مما يعني أن التسميات الناتجة تحتوي بالضرورة على تنبؤات خاطئة نتيجة الفجوة بين النطاق التدريبي والنطاق التجريبي، والتي قد تُنقل إلى النموذج المُتكيف النهائي، مما يؤثر سلبًا على عملية التدريب. لتجاوز هذه المشكلة، يقترح هذا البحث تقديرًا صريحًا لدرجة عدم اليقين في التنبؤ أثناء التدريب، بهدف تصحيح عملية تعلم التسميات الوهمية في سياق التكييف للتصنيف الدلالي غير المراقب. عند إدخال صورة، يُخرِج النموذج تنبؤًا بالتصنيف الدلالي بالإضافة إلى درجة عدم اليقين المرتبطة بهذا التنبؤ. وبشكل خاص، نُمثل عدم اليقين من خلال تباين التنبؤ، ونُدمج هذه الدرجة في دالة التحسين. لاختبار فعالية الطريقة المقترحة، تم تقييمها على بحثين شائعيين في مجال التحويل من بيانات مُصطنعة إلى حقيقية، وهما: GTA5 ← Cityscapes وSYNTHIA ← Cityscapes، بالإضافة إلى بenchmark متقاطع بين مدن، وهو Cityscapes ← Oxford RobotCar. ونُظهر من خلال تجارب واسعة أن الطريقة المقترحة (1) تحدد عتبات ثقة مختلفة ديناميكيًا وفقًا لتباين التنبؤ، (2) تصحح عملية التعلم من التسميات الوهمية الضوضائية، و(3) تحقق تحسينات كبيرة مقارنة بالطرق التقليدية لتعلم التسميات الوهمية، وتُظهر أداءً تنافسيًا على جميع ثلاث بحوث.