HyperAIHyperAI
منذ 17 أيام

التعلم القائم على النسيج لعشوائية المجال للتقسيم العام للنطاق

Sunghwan Kim, Dae-hwan Kim, Hoseong Kim
التعلم القائم على النسيج لعشوائية المجال للتقسيم العام للنطاق
الملخص

تمتد نماذج التجزئة الدلالية المستندة إلى الشبكات العصبية العميقة (DNNs) المدربة على مجال مصدر إلى صعوبة التعميم على مجالات مستهدفة غير مرئية، أي مشكلة الفجوة بين المجالات. وغالبًا ما تساهم النسيج في هذه الفجوة بين المجالات، مما يجعل الشبكات العصبية العميقة عرضة لانحراف المجال لأنها عرضة للانحياز نحو النسيج. وقد عالجت الطرق الحالية للتجزئة الدلالية العامة للمجال (DGSS) مشكلة الفجوة بين المجالات من خلال توجيه النماذج إلى تفضيل الشكل على النسيج. من ناحية أخرى، يُعد الشكل والنسيج دليلين بارزين ومكملين في التجزئة الدلالية. تُقدّم هذه الورقة رأيًا بأن الاستفادة من النسيج أمر بالغ الأهمية لتحسين الأداء في DGSS. وبصورة خاصة، نقترح إطارًا جديدًا يُسمى "التجريب العشوائي لتعلم النسيج" (TLDR). يشمل TLDR خسارة جديدة لتعزيز تعلم النسيج في DGSS بشكل فعّال: (1) خسارة تنظيم النسيج التي تمنع التأقلم الزائد مع نسيج المجال المصدر من خلال استخدام ميزات نسيجية من نموذج مُدرّب مسبقًا على ImageNet، و(2) خسارة تعميم النسيج التي تستخدم صورًا بأسلوب عشوائي لتعلم تمثيلات نسيجية متنوعة بطريقة ذاتية التعلم. تُظهر النتائج التجريبية الواسعة تفوق الإطار المُقترح TLDR؛ على سبيل المثال، حقق TLDR تقييمًا قدره 46.5 mIoU في مهمة GTA إلى Cityscapes باستخدام ResNet-50، ما يُحسّن الأداء الأفضل السابق بنسبة 1.9 mIoU. يُمكن الوصول إلى الشفرة المصدرية عبر الرابط: https://github.com/ssssshwan/TLDR.

التعلم القائم على النسيج لعشوائية المجال للتقسيم العام للنطاق | أحدث الأوراق البحثية | HyperAI