HyperAIHyperAI

Command Palette

Search for a command to run...

تحسين القابلية للتحويل في كشف المحولات المتكيفة للنطاق

Kaixiong Gong Shuang Li Shugang Li Rui Zhang Chi Harold Liu Qiang Chen

الملخص

تبرز كاشفات نوع DETR في السيناريوهات المدمجة، لكن خصائصها في البيئات التي تتعرض لانزياح المجال لم تُستكشف بشكل كافٍ. يهدف هذا البحث إلى بناء أساس بسيط لكنه فعّال باستخدام كاشف من نوع DETR في سيناريوهات الانزياح الميداني، استنادًا إلى نتائج محددة. أولاً، تُظهر إزالة تأثير الانزياح الميداني على ميزات المُكون الأساسي (backbone) ونتائج مُخرَجات المُفكّك (decoder) نتائج مُرضية. ثانيًا، فإن تطبيق أساليب متقدمة للتوحيد الميداني في كلا الجزأين يُعزز الأداء بشكل إضافي. لذلك، نقترح وحدة التوافيق المُوجَّهة بالكائنات (Object-Aware Alignment - OAA) ووحدة التوافيق القائمة على النقل الأمثل (Optimal Transport-based Alignment - OTA) لتحقيق توافيق ميداني شامل على مخرجات المكون الأساسي والكاشف. تُوجِّه وحدة OAA المناطق المُحددة ككائنات أمامية في مخرجات المكون الأساسي باستخدام العلامات الوهمية (pseudo-labels)، مما يؤدي إلى استخلاص ميزات غير حساسة للمجال (domain-invariant). أما وحدة OTA، فهي تستخدم مسافة واسرستاين المُقطّعة (sliced Wasserstein distance) لتحقيق أقصى احتفاظ بمعلومات الموقع، في الوقت الذي تقلل فيه من الفجوة الميدانية في مخرجات المُفكّك. تم تنفيذ هذه النتائج والوحدات التوافيقية ضمن طريقة تكييفنا، والتي تمثل معيارًا مرجعيًا للكاشفات من نوع DETR في سيناريوهات الانزياح الميداني. وقد أثبتت التجارب في مجموعة متنوعة من السيناريوهات التكيفية الميدانية فعالية طريقتنا.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp
تحسين القابلية للتحويل في كشف المحولات المتكيفة للنطاق | مستندات | HyperAI