التدريب الذاتي التكيفي للكشف عن الكائنات

أصبح التعلم العميق حلًا فعّالًا لحل مهمة كشف الأجسام في الصور، ولكن بتكلفة تتطلب مجموعات بيانات مُعلّمة كبيرة. ولتقليل هذه التكلفة، تم اقتراح أساليب كشف الأجسام شبه المُعلّمة، التي تعتمد على استغلال كميات كبيرة من البيانات غير المُعلّمة، وقد أظهرت بالفعل نتائج مُبهرة. ومع ذلك، تتطلب معظم هذه الأساليب ربط علامة افتراضية (Pseudo-label) بالجسم الحقيقي من خلال تحديد حد (Threshold)، وفي الدراسات السابقة، يتم تحديد قيمة هذا الحد عادةً بشكل تجريبي، وهو ما يستهلك وقتًا طويلاً، ويُطبّق فقط على توزيع بيانات واحد. عندما يتغير المجال، وبالتالي يتغير توزيع البيانات، يصبح من الضروري إجراء بحث جديد ومكلف للعثور على القيمة المثلى للحد. في هذا العمل، نقدّم طريقةً جديدة تُسمى "التدريب الذاتي التكيفي لكشف الأجسام" (ASTOD)، وهي طريقة بسيطة وفعّالة تعتمد على نموذج مُدرّس ونموذج مُتعلم. تُحدد ASTOD قيمة الحد دون أي تكلفة، وذلك استنادًا مباشرةً إلى القيم الحقيقية لistogram التقييمات. ولتحسين جودة تنبؤات المُدرّس، نقترح أيضًا إجراءً جديدًا لوضع العلامات الافتراضية. نستخدم زوايا مختلفة للصور غير المُعلّمة أثناء خطوة وضع العلامات الافتراضية، لتقليل عدد التنبؤات المفقودة، وبالتالي الحصول على علامات مرشحة أفضل. يتم تدريب المُدرّس والمُتعلم بشكل منفصل، ويمكن استخدام طريقة ASTOD بشكل تكراري من خلال استبدال المُدرّس بالمُتعلم. على مجموعة بيانات MS-COCO، تُظهر طريقة ASTOD أداءً متميزًا بشكل مستمر مقارنة بالأساليب الرائدة التي لا تتطلب متغيرًا للحد، كما تُظهر نتائج تنافسية مع الأساليب التي تتطلب بحثًا مكثفًا لتحديد القيم المثلى للحد. كما أظهرت التجارب الإضافية على مجموعة بيانات DIOR التي تحتوي على صور أقمار صناعية مقارنةً بقاعدة تدريب مُعلّمة، نتائج مماثلة، مما يثبت إمكانية التكيف التلقائي لقيمة الحد في التدريب الذاتي، بغض النظر عن توزيع البيانات. يُمكن الوصول إلى الكود من خلال الرابط: https://github.com/rvandeghen/ASTOD