Sparse Semi-DETR: استعلامات قابلة للتعلم نادرة للكشف عن الكائنات شبه المُعلَّمة

في هذه الورقة البحثية، نتناول القيود المفروضة على إطار عمل الكشف عن الكائنات شبه المُراقب المستند إلى DETR، مع التركيز بشكل خاص على التحديات الناتجة عن جودة استفسارات الكائنات. في الإطارات القائمة على DETR للكشف شبه المُراقب، تُنتج استراتيجية التعيين واحد إلى واحد علامات افتراضية غير دقيقة، في حين أن استراتيجية التعيين واحد إلى كثير تؤدي إلى تنبؤات متداخلة. تؤثر هذه المشكلات سلبًا على كفاءة التدريب وتفاقم أداء النموذج، خاصةً في الكشف عن الكائنات الصغيرة أو المُحجبة جزئيًا. نُقدّم "Sparse Semi-DETR"، حلًا جديدًا قائمًا على المحولات وقابلًا للتشغيل من النهاية إلى النهاية للكشف عن الكائنات شبه المُراقب، يهدف إلى التغلب على هذه التحديات. يدمج Sparse Semi-DETR وحدة تحسين الاستفسارات (Query Refinement Module) لتعزيز جودة استفسارات الكائنات، مما يُحسّن بشكل ملحوظ قدرة الكشف على الكائنات الصغيرة أو المُحجبة جزئيًا. علاوةً على ذلك، ندمج وحدة تصفية العلامات الافتراضية الموثوقة (Reliable Pseudo-Label Filtering Module) التي تقوم باختيار العلامات الافتراضية عالية الجودة، مما يُعزز من دقة الكشف وثباته. حقق Sparse Semi-DETR تحسنًا ملحوظًا على معايير الكشف عن الكائنات MS-COCO وPascal VOC مقارنةً بالأساليب الرائدة الحالية، مما يبرز فعالية Sparse Semi-DETR في الكشف عن الكائنات شبه المُراقب، خصوصًا في السيناريوهات الصعبة التي تتضمن كائنات صغيرة أو مُحجبة جزئيًا.