{Mathieu Salzmann Zijian Wang Mahsa Baktashmotlagh Tianle Chen}
الملخص
يهدف التعميم عبر المجالات (DG) إلى تعلُّم نموذج من عدة مجالات تدريبية (أي مجالات مصدرية) بحيث يمكنه التعميم بشكل جيد على بيانات الاختبار غير المرئية (أي المجالات المستهدفة) القادمة من توزيع مختلف. ظهر مؤخرًا مفهوم التعميم عبر مجال واحد (SingleDG) لمعالجة بيئة أكثر تحديًا، لكنها أكثر واقعية، حيث يكون هناك مجال مصدر واحد فقط متاحًا أثناء التدريب. غالبًا ما تعتمد الأساليب الحالية في SingleDG على استراتيجيات تكبير البيانات، وتهدف إلى توسيع نطاق البيانات المصدرية من خلال تكبير العينات الخارجة عن المجال. وبشكل عام، تسعى هذه الأساليب إلى إنشاء أمثلة صعبة لتشتيت التصنيف. ومع أن ذلك قد يجعل التصنيف أكثر مقاومة للتغيرات الصغيرة، فإن العينات المُولَّدة غالبًا ما تكون غير متنوعة بما يكفي لمحاكاة تغير كبير في المجال، مما يؤدي إلى أداء تعميم غير مثالي. ولتخفيف هذه المشكلة، نقترح تقنية تكبير مُتحكّمة بالمركز (center-aware adversarial augmentation) التي توسع توزيع البيانات المصدرية من خلال تعديل العينات المصدرية بحيث تُبعد عن مراكز الفئات باستخدام خسارة مركزية زاوية جديدة. أجرينا تجارب واسعة لتقديم دليل على فعالية نهجنا على عدة مجموعات بيانات معيارية لـ SingleDG، وبيّنا أن طريقة التحديد لدينا تتفوّق على أفضل الطرق الحالية في معظم الحالات.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| photo-to-rest-generalization-on-pacs | CADA (ResNet18) | Accuracy: 56.65 |
| single-source-domain-generalization-on-digits | CADA (LeNet) | Accuracy: 80.56 |
| single-source-domain-generalization-on-pacs | CADA (ResNet18) | Accuracy: 68.41 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.