نماذج إعادة التدوير تحت التحول النطاقي والتصنيفي

غالبًا ما تؤدي الشبكات العصبية العميقة (DNNs) إلى أداء ضعيف في ظل وجود انزلاق المجال (domain shift) وانزلاق الفئة (category shift). ما زال التحدي الأهم المتمثل في إعادة استخدام النماذج العصبية العميقة وتأهيلها لمهام الهدف يظل مفتوحًا. أصبحت تقنية التكييف غير المُراقب للنطاق (UDA)، وبخاصة التقنيات الحديثة مثل التكييف غير المُعتمد على المصدر (SFDA)، تقنية واعدة لمعالجة هذه المشكلة. ومع ذلك، تتطلب الطرق الحالية لـ SFDA أن يشترك المجال المصدري والمجال الهدف في نفس فضاء التصنيف، ما يجعلها قابلة للتطبيق فقط في البيئة القياسية المغلقة (closed-set). في هذا البحث، نتقدّم خطوة إضافية ونستكشف مفهوم التكييف الشامل غير المُعتمد على المصدر (SF-UniDA). الهدف هو التعرف على العينات "المعروفة" في ظل انزلاق كل من المجال والفئة، ورفض العينات "غير المعروفة" (التي لا توجد ضمن فئات المصدر)، وذلك باستخدام معرفة فقط من نموذج المصدر المُدرّب مسبقًا. لتحقيق ذلك، نقدّم تقنية تعلم تجميع مبتكرة تشمل التجميع العالمي والمحلي (GLC). بشكل خاص، نصمم خوارزمية تجميع عالمية متكيفة من نوع "واحد مقابل الجميع" (one-vs-all) لتمييز الفئات المختلفة في الهدف، ونُدخل استراتيجية تجميع محلي باستخدام الجيران الأقرب (k-NN) لتقليل الانتقال السلبي. وقد أجرينا تقييمًا مُفصّلًا على عدة معايير مختلفة تحت سيناريوهات انزلاق فئات متنوعة، بما في ذلك تكييف المجال الجزئي (partial-set)، المفتوح (open-set)، والمفتوح-الجزئي (open-partial-set). ومن الملاحظ بشكل ملحوظ أن GLC تتفوّق على UMAD بنسبة 14.8٪ في سيناريو تكييف المجال المفتوح-الجزئي الأكثر تحديًا، على معيار VisDA. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/ispc-lab/GLC.