التصنيف المتوازن للبكسلات ذاتيًا للتكيف بين المجالات في تقسيم المعنى

التكيف النطقي للتقسيم الدلالي يهدف إلى تعلم نموذج بمساعدة بيانات النطاق المصدر وإنتاج توقعات كثيفة مرضية على بيانات النطاق الهدف غير المصنفة. أحد الحلول الشائعة لهذه المهمة الصعبة هو التدريب الذاتي، الذي يقوم باختيار التوقعات ذات النقاط العالية على عينات الهدف كتوصيات زائفة للتدريب. ومع ذلك، غالباً ما تحتوي التوصيات الزائفة المنتجة على الكثير من الضوضاء لأن النموذج متحيز نحو النطاق المصدر وكذلك الفئات الرئيسية. لحل هذه المشكلات، نقترح استكشاف التوزيع البكسلي الأصلي لبيانات النطاق الهدف مباشرة بدلاً من الاعتماد بشكل كبير على النطاق المصدر. تحديداً، نقوم بتجميع البكسلات وتصحيح التوصيات الزائفة باستخدام التعيينات المتجمعة التي تم الحصول عليها. يتم هذا العملية بطريقة متزامنة بحيث يمكن للتوصيات الزائفة أن تتقدم مع نموذج التقسيم دون جولات تدريب إضافية. لتجاوز مشكلة عدم توازن الفئات في الفئات ذيلية الطول، نستخدم تقنية تنظيم التوزيع لتوفير توزيع فئوي هامشي للتجمعات قريب من ذلك الموجود في التوصيات الزائفة. الطريقة المقترحة، والتي تُعرف باسم "التسمية البكسلية الذاتية المتوازنة بين الفئات" (CPSL)، تحسن أداء التقسيم على نطاق البيانات الهدف بشكل كبير مقارنة بأحدث الأساليب، خاصة في الفئات ذيلية الطول.