استخراج الفئات الضمنية للتقسيم القائم على عدد قليل من الأمثلة

يهدف التجزئة القليلة العينات (FSS) إلى تجزئة فئات غير مرئية، مع توفير عدد قليل جدًا من العينات المُعلَّمة. تعاني الطرق الحالية من مشكلة تدهور الميزات، أي أن الفئات الجديدة المحتملة تُعامل كخلفية أثناء مرحلة التدريب. يهدف منهجنا إلى تخفيف هذه المشكلة وتعزيز تضمين الميزات في الفئات الجديدة الكامنة. في عملنا، نقترح إطارًا تدريبيًا مشتركًا جديدًا. استنادًا إلى التدريب التقليدي على أزواج الدعم-الاستعلام، نضيف فرعًا إضافيًا يستخرج الفئات الجديدة الكامنة من خلال مجموعات فرعية قابلة للنقل، ونُطبِّق تقنية تصحيح جديدة على كل من الفئات الخلفية والقبلية لضمان بروتوكولات أكثر استقرارًا. بالإضافة إلى ذلك، يتمتع فرع المجموعة الفرعية القابلة للنقل بقدرة على الاستفادة من بيانات غير مُعلَّمة إضافية لتعزيز الميزات بشكل أكبر. أظهرت التجارب الواسعة على معيارين لـ FSS أن منهجنا يتفوق على أحدث الطرق السابقة بمقدار 3.7% في مقياس mIOU على PASCAL-5i و7.0% على COCO-20i، مع تقليل عدد المعاملات بنسبة 74% وسرعة استنتاج أسرع بـ 2.5 مرة. يمكن الوصول إلى كود المصدر عبر الرابط: https://github.com/LiheYoung/MiningFSS.