التعلم التبايني للكشف عن المسارات من خلال التشابه المتقاطع

كشف علامات المسارات في مشاهد الطرق يمثل تحديًا بسبب طبيعته المعقدة، التي تكون عرضة لظروف غير مواتية. على الرغم من أن علامات المسارات تمتلك أولويات شكلية قوية، إلا أن رؤيتها تتأثر بسهولة بظروف الإضاءة، وانسداد الرؤية بسبب المركبات أو المشاة، وتفاوت الألوان مع مرور الوقت. ويُعقد عملية الكشف أكثر بسبب وجود أشكال متعددة للمسارات والتغيرات الطبيعية، مما يستدعي كميات كبيرة من البيانات لتدريب نموذج كشف مسارات قوي قادر على التعامل مع سيناريوهات متنوعة. في هذه الورقة، نقدم طريقة تعلم ذاتي جديدة تُسمى "التعلم التبايني للكشف عن المسارات عبر التشابه المتقاطع" (CLLD)، والتي تهدف إلى تعزيز قدرة نماذج كشف المسارات على التحمل في السيناريوهات الواقعية، خصوصًا عندما تكون رؤية المسارات محدودة. تعتمد CLLD على منهجية تعلم تبايني (CL) تقيّم تشابه الميزات المحلية ضمن السياق العالمي للصورة المدخلة، حيث تستخدم المعلومات المحيطة للتنبؤ بعلامات المسارات. يتم تحقيق ذلك من خلال دمج التعلم التبايني للميزات المحلية مع عملية التشابه المتقاطع المُقترحة من قبلنا. يركّز التعلم التبايني للميزات المحلية على استخلاص الميزات من مناطق صغيرة، وهو أمر ضروري لتحديد دقيق لقطع المسارات. في الوقت نفسه، يُمكن لعملية التشابه المتقاطع استخلاص الميزات العالمية، مما يمكّن من اكتشاف أجزاء من المسارات المُغطاة بناءً على محيطها. ونُعزز عملية التشابه المتقاطع من خلال تطبيق قنوات تبديل عشوائي لجزء من الصورة المدخلة أثناء عملية التحسين. أظهرت التجارب الواسعة على معايير TuSimple وCuLane أن CLLD تتفوّق على أفضل الطرق التباينية الحالية، خصوصًا في الظروف التي تُضعف الرؤية مثل الظلال، كما تُقدّم نتائج مماثلة في الظروف العادية. مقارنةً بالتعلم المُراقب، تظل CLLD متفوّقة في السيناريوهات الصعبة مثل الظلال والمشاهد المزدحمة، وهي ظروف شائعة في القيادة الواقعية.