PCPL: التعلم المعرفي للارتباطات الprédicative لتكوين الرسم البياني للمشهد دون تحيز
في الوقت الحاضر، يعتبر مهمة توليد الرسم البياني للمشهد (SGG) محدودة بشكل كبير في السيناريوهات الواقعية، وذلك أساساً بسبب التحيز ذي الذيل الطويل للغاية في توزيع تسميات الأفعال. لذلك، التعامل مع مشكلة عدم التوازن بين الفئات في SGG هو أمر حاسم وصعب. في هذا البحث، نكتشف أولاً أن عندما تكون تسميات الأفعال ذات صلة قوية ببعضها البعض، فإن استراتيجيات إعادة التوازن الشائعة (مثل إعادة العينة وإعادة الوزن) ستؤدي إما إلى المطابقة الزائدة للبيانات النادرة (مثل "الكرسي يجلس على الرصيف" بدلاً من "على")، أو لا تزال تعاني من التأثير السلبي للتوزيع غير المتساوي الأصلي (مثل دمج "موقف مختلف على/وقوف على/جلوس على" في "على"). نعتقد أن السبب الرئيسي هو أن استراتيجيات إعادة التوازن حساسة لترددات الأفعال ولكنها غير قادرة على رؤية علاقاتها، والتي قد تلعب دورًا أكثر أهمية في تعزيز تعلم خصائص الأفعال. لذلك، نقترح مخططًا جديدًا لتعلم إدراك علاقات الأفعال (PCPL اختصارًا) لتحديد أوزان الخسارة المناسبة بشكل متكيف عن طريق استشعار واستخدام العلاقات بين فئات الأفعال مباشرة. بالإضافة إلى ذلك، يتم تجهيز إطارنا PCPL بمودуль كودر الرسم البياني لاستخراج خصائص السياق بشكل أفضل. أظهرت التجارب الواسعة على مجموعة بيانات VG150 القياسية أن المخطط المقترح PCPL يؤدي بشكل أفضل بكثير بالنسبة للفئات النادرة مع الحفاظ الجيد على الأداء بالنسبة للفئات الرئيسية، مما يتفوق بشكل كبير على الطرق السابقة الأكثر حداثة.