التعلم القائم على التخلي المُتحيّز للطاقة على مستوى البكسل لفصل الشذوذ في مشاهد القيادة الحضرية المعقدة

تستكشف الطرق الحديثة (SOTA) لتحليل الشذوذ في المشاهد الحضرية المعقدة للقيادة ذاتية التوجه التصنيف الدقيق للبكسل بناءً على عدم اليقين الذي يتم تعلمه من التعرض للقيم الشاذة، أو من نماذج إعادة البناء الخارجية. ومع ذلك، قد تؤدي الطرق السابقة التي تربط مباشرة بين ارتفاع مستوى عدم اليقين والشذوذ إلى تنبؤات خاطئة في بعض الأحيان، كما أن النماذج الخارجية لإعادة البناء تميل إلى أن تكون غير فعّالة بما يكفي للأنظمة المدمجة للقيادة الذاتية في الزمن الفعلي. في هذه الورقة، نقترح طريقة جديدة لتحليل الشذوذ تُسمى التعلّم المُنَحَّي بالطاقة على مستوى البكسل (PEBAL)، والتي تستكشف التعلّم المُنَحَّي على مستوى البكسل (AL) باستخدام نموذج يتعلم فئة الشذوذ على مستوى البكسل بشكل تكيفي، ونموذج مبني على الطاقة (EBM) يتعلم توزيع البكسل العادي (الداخلية). وبشكل أكثر تحديدًا، تعتمد PEBAL على تدريب مشترك غير بديهي بين EBM و AL، حيث يتم تدريب EBM على إنتاج طاقة عالية للبكسل الشاذة (من خلال التعرض للقيم الشاذة)، بينما يتم تدريب AL بحيث تتلقى هذه البكسلات ذات الطاقة العالية عقوبة منخفضة تكيفية عند إدراجها ضمن فئة الشذوذ. وقد قمنا بتقييم PEBAL بشكل مكثف مقارنةً بالطرق الحديثة، ونظهر أنها تحقق أفضل أداء على أربع معايير معيارية. يُمكن الاطلاع على الكود من خلال الرابط التالي: https://github.com/tianyu0207/PEBAL.