التفتيت للكشف عن التوزيعات غير المتطابقة في مشاهد الطرق وما بعدها

في السنوات الأخيرة، ركّزت الأبحاث المتعلقة بالكشف عن التوزيعات الخارجة عن التوزيع (OoD) في تقسيم المعنى على مشاهد الطرق فقط – وهي مجال محدود من حيث التنوّع الدلالي. في هذا العمل، نتحدى هذا التقييد ونوسّع نطاق هذه المهمة إلى الصور الطبيعية العامة. لتحقيق ذلك، نقدّم: 1. معيار ADE-OoD، الذي يُبنى على مجموعة بيانات ADE20k ويضم صورًا من مجالات متنوعة تتميز بتنوع دلالي عالٍ، و2. منهجًا جديدًا يستخدم مطابقة الدرجات التفاضلية (Diffusion score matching) للكشف عن OoD (DOoD)، ويُعدّ مقاومًا لزيادة التنوّع الدلالي. يتميّز معيار ADE-OoD بوجود صور داخلية وخارجية، ويعرّف 150 فئة دلالية على أنها ضمن التوزيع (in-distribution)، ويشمل مجموعة متنوعة من الكائنات الخارجة عن التوزيع. أما بالنسبة لـ DOoD، فيتم تدريب نموذج تفاضلي ببنية MLP على تمثيلات الدلالة ضمن التوزيع، ويُبنى على تفسير مطابقة الدرجات لحساب درجات OoD لكل بكسل أثناء الاستدلال. وعلى معايير OoD الشائعة في مشاهد الطرق، يُظهر DOoD أداءً مُقارِنًا أو أفضل من أفضل الأداءات الحالية، دون استخدام أمثلة خارجة عن التوزيع أثناء التدريب أو افتراضات حول مجال البيانات. وعلى معيار ADE-OoD، يتفوّق DOoD على الأساليب السابقة، لكنه يترك مجالًا واسعًا للتحسينات المستقبلية.