الاستجابة الفورية للكشف عن الكائنات بعينة قليلة باستخدام استراتيجية متعدية واستنتاج مكاني صريح

يهدف التعرف على الكائنات الفئة الجديدة وتحديد موقعها باستخدام عينات مرجعية قليلة إلى مهمة كشف الكائنات بعينات قليلة (FSOD)، وهي مهمة صعبة للغاية. غالبًا ما تعتمد الطرق السابقة على عملية التخصيص الدقيق (fine-tuning) لنقل النموذج إلى الفئة الجديدة، ونادرًا ما تأخذ بعين الاعتبار العيوب الناتجة عن هذه العملية، مما يؤدي إلى عيوب كثيرة في التطبيقات. على سبيل المثال، تكون هذه الطرق بعيدة عن الكفاءة في السيناريوهات التي تتغير فيها النماذج (episode-changeable) بسبب التخصيص الدقيق الزائد، كما أن أداؤها يتأثر سلبًا بشكل كبير عند استخدام مجموعات دعم منخفضة الجودة (مثل العينات القليلة أو الفئات غير الكاملة). ولحل هذه المشكلة، تقدم هذه الورقة كاشف كائنات بعينات قليلة يُستجيب فورًا (IR-FSOD)، الذي يمكنه كشف الكائنات الفئة الجديدة بدقة ودون الحاجة إلى عملية التخصيص الدقيق. لتحقيق هذا الهدف، نقوم بتحليل دقيق للعيوب الموجودة في الوحدات الفردية ضمن إطار Faster R-CNN في سياق FSOD، ثم نوسعه إلى IR-FSOD من خلال تحسين هذه العيوب. وبشكل خاص، نقترح أولًا استراتيجيتين بسيطتين ولكن فعّالتين من نوع الميتا-استراتيجية (meta-strategies) للClassifier المربع ووحدة RPN، مما يمكّن من كشف الكائنات الفئة الجديدة بسرعة فورية. ثم نُدخل حلين تنبؤيين صريحين في وحدة التحديد المكاني لتقليل التعلم الزائد (over-fitting) تجاه الفئات الأساسية، بما في ذلك التصنيف التنبؤي المكاني الصريح وانحدار المربعات شبه الصريح. تُظهر التجارب الواسعة أن إطار IR-FSOD لا يحقق كشف الكائنات بعينات قليلة مع استجابة فورية فحسب، بل يحقق أيضًا أداءً متميزًا من حيث الدقة والاستدعاء في مختلف الظروف المعيارية لـ FSOD.