BiMaL: نهج الاحتمال الأقصى التبادلي لتكيف المجال في التجزئة السياقية المعنى

تهدف التصنيف الدلالي إلى التنبؤ بعلامات المستوى البكسل. وقد أصبح هذا المفهوم مهمة شائعة في مختلف تطبيقات الرؤية الحاسوبية. وعلى الرغم من أن الطرق المُعتمدة على التدريب الكامل (fully supervised) قد حققت دقة عالية على مجموعات بيانات الرؤية الكبيرة، إلا أنها تفشل في التعميم بشكل جيد في بيئات اختبار جديدة أو مجالات جديدة. في هذا العمل، نُقدّم أولًا مقياسًا جديدًا يُسمى "درجة المجال غير المُتوافق (Un-aligned Domain Score)" لقياس كفاءة النموذج المُدرّب في مجال مستهدف جديد بطريقة غير مُراقبة. ثم نقدّم خسارة جديدة تُسمى "الخسارة العظمى ذات التقابل المزدوج (Bijective Maximum Likelihood - BiMaL)"، وهي صيغة معممة لخسارة تقليل الانتروبيا العدوية (Adversarial Entropy Minimization) دون أي افتراض حول استقلالية البكسل. وقد قمنا بتقييم الخسارة المقترحة BiMaL على مجالين مختلفين. وقد أظهرت النتائج التجريبية أن النهج المقترح باستخدام BiMaL يتفوّق باستمرار على أحدث الطرق (SOTA) في المهام التالية: "SYNTHIA إلى Cityscapes"، و" GTA5 إلى Cityscapes"، و"SYNTHIA إلى Vistas".