التعرف المفتوح: هل يكفيك تصنيفًا مغلقًا جيدًا؟

القدرة على تحديد ما إذا كان مثال الاختبار ينتمي إلى واحدة من الفئات الدلالية في مجموعة تدريب المصنف أم لا تعد أمرًا بالغ الأهمية لتطبيق النموذج عمليًا. ويُعرف هذا المهمة بـ"التعرف المفتوح النطاق" (Open-Set Recognition - OSR)، وقد حظيت باهتمام كبير في السنوات الأخيرة. في هذه الورقة، نُظهر أولًا أن قدرة المصنف على اتخاذ قرار "ليس من بين هذه" (none-of-above) مرتبطة ارتباطًا وثيقًا بدقة نموذجه على الفئات المغلقة النطاق. ونجد أن هذه العلاقة تنطبق عبر مختلف دوال الخسارة والهياكل المعمارية، كما نُثبت هذا الاتجاه على معايير OSR القياسية وعلى تقييم واسع النطاق باستخدام ImageNet. ثانيًا، نستفيد من هذه العلاقة لتحسين أداء "الأساسية" (baseline) الخاصة بـOSR المبنية على أعلى قيمة لوغاريتمية (maximum logit score)، وذلك عن طريق تعزيز دقة النموذج في الفئات المغلقة النطاق، وباستخدام هذه الأساسيات القوية نحقق أداءً متقدمًا جدًا على عدد من معايير OSR. وبالمثل، نُحسّن أداء الطريقة الحالية الأفضل في المجال عن طريق تعزيز دقتها على الفئات المغلقة النطاق، لكن الفرق الناتج بين هذه الطريقة المحسّنة والأساسية القوية يكون ضئيلًا جدًا. وثالثًا، نقدّم ما يُعرف بـ"معيار التحول الدلالي" (Semantic Shift Benchmark - SSB)، الذي يعكس بشكل أفضل مفهوم اكتشاف التغير الدلالي الجديد، مقارنةً بالأشكال الأخرى لانحراف التوزيع التي تُدرس في مجالات ذات صلة، مثل كشف البيانات الخارجة عن التوزيع (out-of-distribution detection). وعلى هذا التقييم الجديد، نُظهر مرة أخرى أن الفرق بين الأساسيات القوية والطريقة الحالية الأفضل هو تافه جدًا. صفحة المشروع: https://www.robots.ox.ac.uk/~vgg/research/osr/