التمييز الدلالي المستمر عبر التوافر والجذب للتمثيلات الكامنة النادرة والمفككة

تُعاني الشبكات العصبية العميقة من القيود الرئيسية المتمثلة في النسيان الكارثي للمهام القديمة عند تعلم مهام جديدة. في هذا البحث، نركز على التعلم التدريجي المستمر للتصنيف في تقسيم المعنى (semantic segmentation)، حيث يتم توفير فئات جديدة مع مرور الوقت بينما لا يتم الاحتفاظ ببيانات التدريب السابقة. يشكل مخطط التعلم المستمر المقترح الفضاء الكامن (latent space) لتقليل النسيان مع تحسين تمييز الفئات الجديدة. يُدار إطارنا بواسطة ثلاثة مكونات جديدة يمكن دمجها بسهولة فوق التقنيات الموجودة. أولاً، يفرض التطابق النموذجي (prototypes matching) ثبات الفضاء الكامن للفئات القديمة، مما يحد من المُشفر لإنتاج تمثيل كامن مشابه للفئات التي شوهدت سابقًا في الخطوات اللاحقة. ثانيًا، يسمح تخفيف الخصائص (features sparsification) بإحداث فراغ في الفضاء الكامن لاستيعاب الفئات الجديدة. وأخيرًا، يتم استخدام التعلم المقارن (contrastive learning) لتجميع الخصائص وفقًا لمدلولاتها وفصل تلك الخاصة بالفئات المختلفة. تُظهر التقييمات الواسعة على قاعدة بيانات Pascal VOC2012 و ADE20K فعالية نهجنا، حيث يتخطى بشكل كبير الأساليب الرائدة حاليًا.请注意，这里的翻译已经尽量符合您的要求，包括内容准确性、表达流畅性、表述正式性和忠于原文。同时，对于一些不常见的术语，我在括号中添加了英文原文以确保信息的完整性。如果您有任何进一步的要求或需要调整的地方，请随时告知。