MILA: التكيف على مستوى المُثَلَّة القائم على الذاكرة للكشف عن الكائنات عبر المجالات

كشف الكشف عن الكائنات عبر المجالات يُعد تحديًا كبيرًا، ويتطلب توحيد المجالات المصدرية المُعلَّمة مع المجالات الهدفية غير المُعلَّمة. اعتمدت الطرق السابقة على التدريب العدواني لتحقيق التوحيد على مستويي الصورة والكائن. أما على مستوى الكائن، فإن العثور على عينة مصدر مناسبة تتماشى مع عينة هدف معينة يُعد أمرًا بالغ الأهمية. وتعتبر العينة المصدرية مناسبة إذا كانت تختلف عن العينة الهدفية فقط من حيث المجال، دون وجود فروق في الخصائص غير المهمة مثل الاتجاه واللون، والتي قد تعيق نموذج التعلم من التركيز على التمايز بين المجالات. ومع ذلك، تواجه الطرق الحالية المُعتمدة على التوحيد على مستوى الكائن صعوبات في العثور على عينات مصدر مناسبة، نظرًا لحدود نطاق البحث الذي يقتصر على المجموعات الصغيرة (mini-batches). فغالبًا ما تكون هذه المجموعات الصغيرة صغيرة جدًا بحيث لا تحتوي دائمًا على عينات مصدر مناسبة. وتُصبح قلة تنوع المجموعات الصغيرة مشكلة حقيقية، خاصة عندما تكون العينات الهدفية تتمتع بتنوع داخلي عالٍ داخل الفئة. ولحل هذه المشكلة، نقترح إطارًا مبنيًا على الذاكرة لتكيف المجال على مستوى الكائن. يُتمحور هذا النهج حول توحيد كائن هدف مع أقرب عينة مصدرية من نفس الفئة، يتم استردادها من مستودع ذاكرة. بشكل محدد، نُقدِّم وحدة ذاكرة تقوم بتخزين ميزات مجمعة لجميع العينات المصدرية المُعلَّمة ديناميكيًا، مصنفة حسب تصنيفاتها. علاوةً على ذلك، نُقدِّم وحدة بسيطة ولكنها فعالة للاسترجاع من الذاكرة، تُستَخدم لاسترجاع مجموعة من المساحات المطابقة من الذاكرة لعينات الهدف. وأظهرت تجاربنا في سيناريوهات مختلفة لانزياح المجال أن منهجنا يتفوق بشكل ملحوظ على الطرق الحالية التي لا تعتمد على الذاكرة.