DSP: لصق لين مزدوج للتصنيف الدلالي التكيفي للنطاق غير الخاضع للإشراف

يهدف التكييف غير المُراقب للنطاق (UDA) في التجزئة الدلالية إلى تكييف نموذج تجزئة تم تدريبه على نطاق مصدر مُعلّم ليناسب نطاقًا هدفًا غير مُعلّم. تعاني الطرق الحالية من تعلم ميزات ثابتة بالنسبة للنطاق، مع وجود فجوات كبيرة بين النطاقين تجعل من الصعب تحقيق تطابق دقيق للميزات المختلفة، خاصة في المرحلة الأولية للتدريب. ولحل هذه المشكلة، نقترح في هذه الورقة طريقة جديدة تُسمى "اللصق الناعم المزدوج" (DSP). بشكل محدد، تقوم طريقة DSP باختيار بعض الفئات من صورة نطاق المصدر باستخدام استراتيجية عينة أولية تعتمد على توزيع طويل الذيل، ثم تُلصق برشة الصورة المقابلة بشكل ناعم على كل من صور التدريب الخاصة بالنطاق المصدر والهدف باستخدام وزن دمج. من الناحية التقنية، نستخدم إطار العمل "المعلم المتوسط" (Mean Teacher) للتكييف بين النطاقات، حيث تمر صور المصدر المُلصقة والصور المستهدفة عبر الشبكة الطالبة، بينما تمر الصورة المستهدفة الأصلية عبر الشبكة المُعلّمة. يتم تحقيق التماثل على مستوى الإخراج من خلال محاذاة خرائط الاحتمال للصورة المدمجة المستهدفة من كلا الشبكتين باستخدام خسارة التباديل الموزونة. بالإضافة إلى ذلك، يتم تحقيق التماثل على مستوى الميزات من خلال محاذاة خرائط الميزات للصور المصدرية والمستهدفة من الشبكة الطالبة باستخدام خسارة التباين الأقصى المتوسط الموزونة. تُسهم طريقة DSP في تمكين النموذج من تعلّم ميزات ثابتة بالنسبة للنطاق من النطاقات الوسيطة، مما يؤدي إلى تقارب أسرع وأداء أفضل. أظهرت التجارب على بحثين صعبين تفوق طريقة DSP على الطرق الحالية المتطورة. يمكن الوصول إلى الكود عبر الرابط: \url{https://github.com/GaoLii/DSP}.