التكيف بين المجالات غير المتجانسة على مستوى المثيلات لاسترجاع الرسم التخطيطي إلى الصورة ببيانات محدودة التسمية

رغم أن استرجاع الصور من الرسومات التخطيطية يمتلك طيفًا واسعًا من التطبيقات، إلا أن الحصول على بيانات حقيقية مزدوجة التسمية وغنية بالتعليقات مكلف جدًا. على العكس، فإن بيانات استرجاع الصور تكون أسهل في الحصول عليها. ولهذا السبب، قام العمل السابق بتدريب نماذجهم مسبقًا على بيانات استرجاع الصور الغنية بالتعليقات (أي المجال المصدري)، ثم قاموا بضبطها دقيقًا على بيانات استرجاع الصور من الرسومات التخطيطية المحدودة التسمية (أي المجال الهدف). ومع ذلك، وبلا تدريب مشترك بين المجال المصدري والهدف، قد تُنسى المعرفة من المجال المصدري أثناء عملية الضبط الدقيق، في حين أن التدريب المشترك البسيط قد يؤدي إلى انتقال سلبي ناتج عن الفجوات بين المجالات. علاوة على ذلك، تكون مساحات التسمية الخاصة بالهوية في بيانات المصدر والهدف عادةً منفصلة، وبالتالي لا يمكن تطبيق التكييف بين المجالات على مستوى الفئة بشكل مباشر. لحل هذه المشكلات، نقترح إطارًا جديدًا يُسمى التكييف بين المجالات غير الموحّدة على مستوى المثيل (IHDA). نطبق استراتيجية الضبط الدقيق لتعلم تسميات الهوية، بهدف نقل المعرفة على مستوى المثيل بطريقة انتقالية استنتاجية. في الوقت نفسه، يتم اختيار السمات المُعلَّمة من بيانات المصدر لتكوين مساحة تسمية مشتركة بين المجالين المصدر والهدف. وبتوجيه من هذه السمات المشتركة، تُستخدم تقنيات التكييف بين المجالات لتقليل الفجوات بين البيانات المختلفة والفجوات بين المجالات غير الموحّدة، مما يسمح بنقل المعرفة على مستوى المثيل بطريقة انتقالية تفسيرية. أظهرت التجارب أن طريقةنا قد وضعت حالة جديدة من الفائدة على ثلاث معايير لاسترجاع الصور من الرسومات التخطيطية دون الحاجة إلى تعليقات إضافية، مما يفتح الباب أمام تدريب نماذج أكثر فعالية في مهام استرجاع الصور غير الموحّدة ذات التسميات المحدودة. تتوفر الشفرات ذات الصلة على الرابط: https://github.com/fandulu/IHDA.