البحث عن التشابهات على التباينات: محاذاة المجال القائمة على التشابه للكشف العابر عن الكائنات

لضمان نشر كفؤ للكشف عن الكائنات عبر طيف واسع من السيناريوهات، يجب أن تكون النماذج قادرة على التكيّف مع التغيرات في توزيع الإدخال دون الحاجة إلى ترميز بيانات جديدة باستمرار. وقد دفع هذا البحث نحو تطوير خوارزميات التكيّف بين المجالات غير المُعلَّمة (UDA) للكشف عن الكائنات. تتعلم خوارزميات UDA التكيّف من مجالات مصدر مُعلَّمة إلى مجالات هدف غير مُعلَّمة، من خلال إحداث محاذاة بين الميزات التي يستخرجها الكاشف من المجالات المصدرية والهدفية. ومع ذلك، لا توجد اتفاقية واسعة النطاق حول ما يجب محاذاة الميزات فيه، أو كيفية إجراء هذه المحاذاة. في عملنا، نقترح إطارًا يعمّم المكونات الشائعة التي تستخدمها خوارزميات UDA، مما يُعدّ أساسًا لتحليل معمّق لفضاء تصميم UDA. وبشكل خاص، نقدّم خوارزمية UDA جديدة تُسمّى ViSGA، وهي تنفيذ مباشر لإطارنا، والتي تستفيد من أفضل خيارات التصميم، وتقديم طريقة بسيطة ولكن فعّالة لدمج الميزات على مستوى الكائنات بناءً على التشابه البصري، قبل إجراء محاذاة المجموعات عبر التدريب العدواني. نُظهر أن كلاً من الت regrouping القائم على التشابه والتدريب العدواني يمكّنان نموذجنا من التركيز على محاذاة مجموعات الميزات بشكل تجريدي، دون إجباره على مطابقة جميع الكائنات عبر مجالات مُحاذاة بشكل غير دقيق. وأخيرًا، نُجري تحليلًا لقابلية تطبيق ViSGA في السياق الذي تُجمع فيه البيانات المُعلَّمة من مصادر مختلفة. وتبين النتائج أن طريقةً لدينا لا تتفوّق فقط على الطرق السابقة ذات المصدر الواحد في مجموعتي بيانات Sim2Real وAdverse Weather، بل تُظهر أيضًا قدرة جيدة على التعميم في البيئة متعددة المصادر.