معالجة النسيان الكارثي وتغير الخلفية في التجزئة الدلالية المستمرة

تُستخدم نماذج التعلم العميق حاليًا بشكل شائع لمعالجة مهام الرؤية الحاسوبية مثل التجزئة الدلالية، والتي تتطلب مجموعات بيانات كبيرة وقوة حوسبة كبيرة. يعتبر التعلم المستمر للتجزئة الدلالية (CSS) اتجاهًا ناشئًا يتكون من تحديث نموذج قديم بإضافة فئات جديدة تباعيًا. ومع ذلك، فإن طرق التعلم المستمر عادة ما تكون عرضة للنسيان الكارثي. يتفاقم هذا المشكلة في CSS حيث يتم دمج الفئات القديمة من الإطارات السابقة في الخلفية في كل خطوة. في هذه الورقة البحثية، نقترح استخدام Local POD، وهو نظام تقطير متعدد المقياس يحافظ على العلاقات المكانية طويلة المدى وقصيرة المدى على مستوى الخصائص. بالإضافة إلى ذلك، نصمم تقنية تسمية زائفة تعتمد على الإنتروبيا للخلفية بالنسبة للفئات التي يتوقعها النموذج القديم للتعامل مع تحول الخلفية وتلافي النسيان الكارثي للفئات القديمة. أخيرًا، نقدم طريقة إعادة تمرين جديدة تناسب بشكل خاص مهام التجزئة. أثبتت طريقتنا، التي تُعرف بـ PLOP، تفوقها بشكل كبير على أفضل الطرق الحالية في السيناريوهات الموجودة من CSS وكذلك في مقاييس الأداء الجديدة والمعقدة المقترحة حديثًا.