التكيف الذاتي الدلالي: تعزيز التعميم باستخدام عينة واحدة

يُعدّ غياب القدرة على التعميم خارج المجال (out-of-domain generalization) عيبًا جوهريًا في الشبكات العميقة الخاصة بالتقسيم الدلالي. اعتمدت الدراسات السابقة على افتراض نموذج ثابت، أي أن معاملات النموذج تبقى ثابتة عند التقييم بعد اكتمال عملية التدريب. في هذا العمل، نتحدى هذا الافتراض من خلال نهج ذاتي التكيف للتقسيم الدلالي، يُعدّل عملية الاستنتاج وفقًا لكل عينة إدخال. يعمل التكيف الذاتي على مستويين. أولاً، يُعدّل معاملات طبقات الترسيم (convolutional layers) وفقًا للصورة المدخلة باستخدام تنظيم التماسك (consistency regularization). ثانيًا، في طبقات التطبيع الدفعي (Batch Normalization)، يُجري التكيف الذاتي تداخلًا بين التوزيع التدريبي والتوزيع المرجعي المستمد من عينة اختبار واحدة. وعلى الرغم من أن كلا التقنيتين معروفتان جيدًا في الأدبيات، فإن دمجهما يحقق دقة جديدة قياسية على معايير التعميم من الصناعية إلى الواقع (synthetic-to-real generalization). تشير دراستنا التجريبية إلى أن التكيف الذاتي قد يكمّل الممارسة المتعارف عليها لتنظيم النموذج أثناء التدريب، بهدف تحسين قدرة الشبكات العميقة على التعميم على بيانات خارج المجال. يمكن الوصول إلى الكود والنماذج المُدرّبة مسبقًا عبر الرابط: https://github.com/visinf/self-adaptive.