MRFP: تعلم التجزئة الدلالية القابلة للتعميم من الوهمي إلى الحقيقي باستخدام اضطرابات الميزات متعددة الدقة
أظهرت الشبكات العصبية العميقة أداءً نموذجيًا في مهام فهم المشاهد الدلالية على المجالات المصدر، ولكن بسبب غياب التنوع الأسلوبي أثناء التدريب، لا يزال تحسين الأداء على المجالات الهدف غير المُشاهدة باستخدام بيانات مجال مصدر واحد فقط مهمة صعبة. يعتبر إنشاء البيانات المحاكاة بديلًا قابلًا للتنفيذ لاسترجاع مجموعات بيانات حقيقية كبيرة ومتنوعة أسلوبيًا، حيث أن هذه العملية معقدة ومرتفعة التكلفة. ومع ذلك، فإن الاختلافات الكبيرة والمحددة للمجال بين البيانات المحاكاة والبيانات الحقيقية تمثل تحديًا كبيرًا في التعميم في تقسيم المشهد الدلالي. في هذا العمل، لحل هذه المشكلة، نقترح تقنية جديدة تسمى اضطراب الميزات متعددة الدقة (MRFP) لتغيير الميزات الدقيقة المحددة للمجال وتشويه أسلوب الميزات الخشنة. تشير نتائج تجاربنا على مجموعة متنوعة من مجموعات بيانات تقسيم المشاهد الحضرية بوضوح إلى أن تشويه المعلومات الأسلوبية بالإضافة إلى تشويه مكونات الميزات الدقيقة أمر حاسم لتعلم خرائط ميزات مقاومة وغير مرتبطة بالمجال لموديلات تقسيم المشهد الدلالي. تعتبر MRFP وحدة قابلة للنقل بسيطة وكفاءتها الحسابية عالية، ولا تتطلب أي معلمات قابلة للتعلم إضافية أو دوال هدف، مما يساعد الشبكات العصبية العميقة الرائدة على تعلم ميزات مقاومة وغير مرتبطة بالمجال لتقسيم المشهد الدلالي من المحاكاة إلى الواقع.