VBLC: تعزيز الرؤية والتعلم المُقيَّد بـ Logit لتقسيم دلالي تكيفي حسب المجال في ظل الظروف الصعبة

يُعدّ تعميم النماذج المدربة في ظروف بصرية طبيعية لتطبيقات في بيئات مستهدفة تحت ظروف غير مواتية أمرًا صعبًا في الأنظمة العملية. إحدى الحلول الشائعة هي تقليل الفجوة بين المجالين بين الصور ذات الوضوح العالي والصور في الظروف السيئة، بهدف تحقيق تنبؤات مرضية في البيئة المستهدفة. ومع ذلك، تعتمد الطرق السابقة غالبًا على صور مرجعية إضافية لنفس المشاهد، ولكنها تمثل صعوبة كبيرة في الجلب الفعلي. علاوةً على ذلك، تركز معظم هذه الطرق على حالة عقبة واحدة فقط، مثل الليل أو الضباب، مما يقلل من مرونة النموذج عند مواجهة أنواع أخرى من الظروف الجوية السيئة. لتجاوز هذه القيود، نقترح إطارًا جديدًا يُسمى "تعزيز الرؤية والتعلم المُقيّد باللوغاريتم" (Visibility Boosting and Logit-Constraint learning - VBLC)، مصممًا لتحسين التكيف من الظروف الطبيعية إلى الظروف السيئة. يُستعرض VBLC إمكانية التخلص من الحاجة إلى صور مرجعية، والتعامل مع مزيج من الظروف السيئة في آنٍ واحد. على وجه التحديد، نقترح أولًا وحدة تعزيز الرؤية التي تُحسّن صور الهدف ديناميكيًا من خلال استخدام معرفة مسبقة على مستوى الصورة. ثم، نُدرك العيب في التدريب الذاتي باستخدام دالة الخسارة التقليدية (Cross-Entropy)، حيث تُظهر النماذج تحيّزًا مفرطًا نحو الثقة، ونُصيغ طريقة تُسمى "التعلم المُقيّد باللوغاريتم"، التي تفرض قيودًا على القيم اللوغاريتمية الناتجة أثناء التدريب لتقليل هذه المشكلة. إلى حد علمنا، يُعد هذا منظورًا جديدًا لمعالجة هذه المهمة الصعبة. وقد أثبتت التجارب الواسعة على بحثين من بحوث التكيف بين المجالات من الظروف الطبيعية إلى الظروف السيئة، وهما Cityscapes → ACDC وCityscapes → FoggyCityscapes + RainCityscapes، فعالية VBLC، حيث حقق أحدث الأداء في الحالة الراهنة. يُمكن الوصول إلى الكود من خلال الرابط: https://github.com/BIT-DA/VBLC.