كشف الكائنات الصلبة والدقيقة من خلال التعلم العدواني

أصبحت زيادة البيانات (Data Augmentation) عنصرًا فعليًا لا غنى عنه في تدريب تصنيفات صور عميقة عالية الأداء، لكن إمكاناتها لم تُستغل بالكامل في الكشف عن الكائنات. لاحظنا أن معظم كاشفات الكائنات الحديثة ذات الأداء العالي تستفيد من عملية التحسين الدقيق (Fine-tuning) لتصنيف سابق مُدرّب مسبقًا، لذا قمنا أولًا بدراسة كيفية انتقال الفوائد الناتجة عن مختلف تقنيات زيادة البيانات من التصنيف إلى الكشف عن الكائنات. وقد أظهرت النتائج نتائج محبطة؛ إذ تقل الفوائد بعد التحسين الدقيق من حيث الدقة أو المقاومة للتشويش. في هذا العمل، نحن نُعدّل مرحلة التحسين الدقيق لكاشفات الكائنات من خلال استكشاف الأمثلة المضادة (Adversarial Examples)، والتي يمكن اعتبارها نوعًا من زيادة البيانات تعتمد على النموذج. تُختار صور الأمثلة المضادة الأقوى ديناميكيًا من فروع التصنيف والتحديد المكاني في الكاشف، وتطور مع الكاشف لضمان بقاء سياسة التضخيم حديثة وذات صلة. تُظهر هذه الطريقة المبنية على النموذج أداءً أفضل في التعميم على كاشفات كائنات مختلفة مقارنةً بـ AutoAugment، وهي سياسة تضخيم لا تعتمد على النموذج، تم اكتشافها بناءً على كاشف معين. يُحسّن هذا النهج أداء كاشفات EfficientDet الحديثة بـ +1.1 نقطة mAP في معيار كشف الكائنات COCO. كما يُعزز مقاومة الكاشفات للتشويش الطبيعي بـ +3.8 نقطة mAP، ومقاومة التحول بين المجالات بـ +1.3 نقطة mAP. يمكن الوصول إلى النماذج عبر الرابط: https://github.com/google/automl/tree/master/efficientdet/Det-AdvProp.md