التعلم النشط الزائد للفصل الدلالي تحت التحول النطاقي

نقدم نهجًا يعتمد على الشبكات العصبية الزائدية (Hyperbolic Neural Network) للتعلم النشط على مستوى البكسل في التجزئة الدلالية (Semantic Segmentation). وتشير تحليلات إحصائيات البيانات إلى تفسير جديد للنصف القطر الزائدية (Hyperbolic Radius) باعتباره مؤشرًا على ندرة البيانات. في إطار نموذج HALO (Hyperbolic Active Learning Optimization)، نُقدّم لأول مرة استخدام عدم اليقين المعرفي (Epistemic Uncertainty) كاستراتيجية لجمع البيانات، مستندًا إلى الفكرة القائمة على اختيار النقاط التي تكون أقل معرفة بها. ويُعدّ النصف القطر الزائدية، المكمل لمعيار الانتروبيا التنبؤية (Prediction Entropy) الذي يُستخدم على نطاق واسع، وسيلة فعّالة لتقريب عدم اليقين المعرفي. قمنا بتحليل تجريبي واسع يعتمد على معيارين معتمدين في التحويل من بيانات مُصَنَّعة إلى واقعية، وهما: GTAV → Cityscapes وSYNTHIA → Cityscapes. بالإضافة إلى ذلك، قمنا باختبار أداء HALO على مجموعة بيانات Cityscapes → ACDC في سياق التكيف بين المجالات (Domain Adaptation) تحت ظروف جوية قاسية، وقمنا بمقارنة النموذج باستخدام نماذج أساسية قائمة على التحويلات (Convolutional) والاعتماد (Attention-based). وقد حقق HALO حالة جديدة من التميز (State-of-the-art) في التعلم النشط للتجميع الدلالي تحت تغير المجال، وهو أول نموذج للتعلم النشط يتجاوز أداء التكيف المجالي المُراقب (Supervised Domain Adaptation) مع استخدام جزء ضئيل جدًا من التسميات (أي 1٪ فقط).