التعلم من الإشراف الخارجي والداخلي للعامة المجالية

إن قدرة الشبكات العصبية على التعميم عبر المجالات أمر بالغ الأهمية للتطبيقات الواقعية. نحن نرى أن نظامًا للتمييز العام عن الكائنات ينبغي أن يفهم جيدًا العلاقات المتبادلة بين الصور المختلفة، فضلًا عن فهم الصور نفسها في الوقت ذاته. ولتحقيق ذلك، نقدم إطارًا جديدًا لتعميم المجالات يتعلم كيفية التعميم عبر المجالات في آنٍ واحد، من خلال الإشراف الخارجي على العلاقات وإشراف ذاتي داخلي، وذلك باستخدام صور من مصادر متعددة. وبشكل محدد، نُصاغ إطارنا باستخدام تضمين الميزات ضمن نموذج تعلم متعدد المهام. إلى جانب إجراء المهمة المراقبة الشائعة للتعرف على الكائنات، ندمج بسلاسة مهمة تعلم المقاييس باستخدام الزخم، ومهمة مساعدة ذاتية الإشراف، للاستفادة الجماعية من الإشراف الخارجي والداخلي. كما نطور خطة فعالة لتعلم المقاييس باستخدام الزخم مع استخراج أصعب العناصر السلبية (K-hard negative mining) لتعزيز قدرة الشبكة على استخلاص العلاقات بين الصور لتحسين التعميم عبر المجالات. وقد أظهرنا فعالية نهجنا على معيارين قياسيين في التعرف على الكائنات، وهما VLCS وPACS، ونُظهر أن طرقنا تحقق أفضل أداء ممكن حتى الآن.