تصحيح مبكر متكيف للتعلم في التجزئة من التسميات الضوضائية

تم دراسة التعلم العميق في ظل التسميات الضوضائية بشكل واسع في مهام التصنيف، ولكن بشكل أقل في مهام التجزئة. في هذه الدراسة، نستكشف ديناميات التعلم للشبكات العميقة الخاصة بالتجزئة التي تم تدريبها على بيانات مُسمّاة بشكل غير دقيق. ونكتشف ظاهرة كانت قد سُجّلت سابقًا في سياق التصنيف: فتُظهر الشبكات ميلًا إلى تطابق التسميات النظيفة على مستوى البكسل خلال مرحلة "التعلم المبكر"، قبل أن تنتقل لاحقًا إلى حفظ التسميات الخاطئة. ولكن على عكس التصنيف، لا يحدث حفظ التسميات في التجزئة بشكل متزامن لجميع الفئات اللُغوية. مستوحين من هذه النتائج، نقترح طريقة جديدة لمعالجة التجزئة من بيانات مُسمّاة بضوضاء، تتضمن عنصرين رئيسيين. أولاً، نُحدِّد بدء مرحلة الحفظ بشكل منفصل لكل فئة أثناء التدريب. وهذا يمكّننا من تعديل التسميات الضوضائية بشكل تكيفي للاستفادة من مرحلة التعلم المبكر. ثانيًا، نُدمج حدًا تقويميًا (regularization term) يُعزز الاتساق عبر المقياسين (across scales) لتعزيز المقاومة لضوضاء التسميات. تفوق طريقتنا الطرق القياسية في مهمة تجزئة الصور الطبية، حيث تم توليد الضوضاء لمحاكاة أخطاء التسمية البشرية. كما تُظهر أداءً قويًا في مواجهة التسميات الضوضائية الواقعية المُوجودة في التجزئة ذات التوجيه الضعيف، وتحقيق نتائج من الطراز الرائد على مجموعة بيانات PASCAL VOC 2012. يمكن الوصول إلى الكود عبر الرابط: https://github.com/Kangningthu/ADELE