التدريب الذاتي المُتَعَاكِس باستخدام نماذج مُتَعَدِّدَةٍ مُنْحَدِرَةٍ للفصل الدلالي التكيفي مع المجال

تتجه الاتجاهات النشطة في مجال التكيف بين المجالات للتقسيم إلى إنتاج تسميات وهمية ذات جودة عالية للمجال المستهدف وإعادة تدريب نظام التقسيم عليها. في إطار هذا النموذج الذاتي للتدريب، سعت بعض الأساليب التنافسية إلى استغلال معلومات الفضاء الكامن، والتي تحدد مراكز الميزات (أو ما يُعرف بالأنماط) للتصنيفات الدلالية وتختار المرشحين للتسميات الوهمية بناءً على المسافات من هذه المراكز. في هذا البحث، ندّعي أن الفضاء الكامن يحتوي على المزيد من المعلومات التي يمكن استغلالها، مما يجعلنا نخطو خطوة أبعد للاستفادة منه. أولاً، بدلاً من استخدام الأنماط الخاصة بالمجال الأصلي فقط لتحديد التسميات الوهمية للمجال المستهدف كما تفعل معظم الأساليب التقليدية، ننتج أنماطاً ثنائية الاتجاه للمجال المستهدف لتقليل تلك الميزات الأصلية التي قد تكون صعبة للغاية أو مشتتة بالنسبة للتكيف. ثانياً، تقوم المحاولات الحالية بتمثيل كل فئة كنموذج واحد ومتجانس بينما تتجاهل التباين في توزيع الميزات، مما قد يؤدي إلى خلط الفئات المشابهة. لمعالجة هذه المشكلة، نقترح تمثيل كل فئة بعدة نماذج غير متجانسة باستخدام نموذج مزيج الجوسسي (Gaussian Mixture Model)، وذلك لتوافق مع التوزيع الفعلي للمجال الأصلي وتقييم احتمالية العينات المستهدفة بناءً على الكثافة الاحتمالية. طبقنا طريقة البحث على مهمتي GTA5→Cityscapes وSynthia→Cityscapes وحققنا 61.2 و62.8 على التوالي من حيث المتوسط الحسابي لـ IoU (mean IoU)، مما يتفوق بشكل كبير على الأساليب الأخرى التنافسية في التدريب الذاتي. وبشكل ملحوظ، في بعض الفئات التي تعاني بشدة من خلط الفئات مثل "الشاحنة" و"الحافلة"، حققت طريقة البحث 56.4 و68.8 على التوالي، مما يؤكد بشكل أكبر فعالية تصميمنا.