تسميات كاذبة مختلطة للكشف عن الكائنات شبه المُشرَّف

رغم النجاح الكبير الذي أظهرته طريقة التسمية الوهمية في مهام الكشف عن الكائنات شبه المُعلَّمة، تُكشف هذه الورقة عن قيود بارزة في هذا النهج. وبشكل خاص، تميل طريقة التسمية الوهمية إلى تعزيز القُوى الطبيعية للكشف، في الوقت الذي يُبرز فيه نقاط ضعفه، وهو ما يتجلى في فقدان الكشف عن التسميات الوهمية، وخاصةً بالنسبة للكائنات الصغيرة والكائنات النادرة (التصنيفات الطويلة). لتجاوز هذه التحديات، تُقترح في هذه الورقة طريقة تسمية وهمية مختلطة (MixPL)، والتي تعتمد على تقنيتي Mixup وMosaic لبيانات التسمية الوهمية، بهدف تقليل الأثر السلبي لفقدان الكشف وموازنة تعلم النموذج عبر مختلف أحجام الكائنات. علاوةً على ذلك، يُحسّن الأداء في الكشف عن الكائنات النادرة من خلال إعادة عينة البيانات المُعلَّمة باستخدام أمثلة ذات صلة. ويُلاحظ أن MixPL تُحسّن باستمرار أداء مختلف النماذج، وتُحقق نتائج جديدة في مستوى الحالة الحالية باستخدام نماذج Faster R-CNN وFCOS وDINO على معايير COCO-Standard وCOCO-Full. كما تُظهر MixPL أيضًا قدرة توسعة جيدة على النماذج الكبيرة، حيث تُحسّن أداء DINO Swin-L بنسبة 2.5% في mAP، وتحقيق سجلات جديدة غير مهملة (60.2% mAP) على معيار COCO val2017 دون الحاجة إلى تعليقات إضافية.