HyperAIHyperAI
منذ 17 أيام

الكتل العظمى القياسية: نهج بسيط ولكنه فعّال لتحديد العوائق غير المتوقعة على الطرق في تقسيم المشاهد الحضرية

Sanghun Jung, Jungsoo Lee, Daehoon Gwak, Sungha Choi, Jaegul Choo
الكتل العظمى القياسية: نهج بسيط ولكنه فعّال لتحديد العوائق غير المتوقعة على الطرق في تقسيم المشاهد الحضرية
الملخص

تحديد الكائنات غير المتوقعة على الطرق في مهام التجزئة الدلالية (مثل تحديد وجود كلاب على الطرق) يُعد أمرًا بالغ الأهمية في التطبيقات الحساسة للسلامة. تعتمد الطرق الحالية على صور للكائنات غير المتوقعة من مجموعات بيانات خارجية أو تتطلب تدريبًا إضافيًا (مثل إعادة تدريب شبكات التجزئة أو تدريب شبكة إضافية)، مما يستلزم كمية كبيرة من الجهد أو وقت استنتاج طويل. إحدى البدائل الممكنة هي استخدام درجات التنبؤ لشبكة مُدرّبة مسبقًا، مثل القيم العظمى للـ logits (أي القيم القصوى بين الفئات قبل الطبقة النهائية softmax)، للكشف عن هذه الكائنات. ومع ذلك، فإن توزيع القيم العظمى للـ logits لكل فئة مُتنبأ بها يختلف بشكل كبير عن بعضه، مما يؤدي إلى تدهور أداء الكشف عن الكائنات غير المتوقعة في مشاهد المدن. لمعالجة هذه المشكلة، نقترح منهجًا بسيطًا ولكن فعّالًا يقوم بتوحيد القيم العظمى للـ logits بهدف مواءمة التوزيعات المختلفة وعكس المعاني النسبية للـ logits ضمن كل فئة مُتنبأ بها. علاوة على ذلك، ننظر إلى المناطق المحلية من زاويتين مختلفتين بناءً على الفكرة القائلة بأن البكسلات المجاورة تشارك في معلومات دلالية مشابهة. على عكس الطرق السابقة، لا يستخدم منهجنا أي مجموعات بيانات خارجية ولا يتطلب تدريبًا إضافيًا، ما يجعله قابلاً للتطبيق الواسع على النماذج المُدرّبة مسبقًا للتجزئة الحالية. ويحقق هذا النهج البسيط أداءً جديدًا في مستوى الريادة على لائحة Fishyscapes Lost & Found المتاحة للعامة، بفارق كبير. يمكن الوصول إلى الكود الخاص بنا بشكل عام من خلال هذا الرابط: \href{https://github.com/shjung13/Standardized-max-logits}{الرابط}.

الكتل العظمى القياسية: نهج بسيط ولكنه فعّال لتحديد العوائق غير المتوقعة على الطرق في تقسيم المشاهد الحضرية | أحدث الأوراق البحثية | HyperAI