Distill-DBDGAN: إطار عمل للتأليف المعرفي والتعلم العدواني detec tion للضبابية الناتجة عن عدم التركيز

كشف تشوش التركيز (DBD) يهدف إلى تقسيم المناطق المشوّشة من صورة معطاة تأثرت بتشوش التركيز. يُعد خطوة ما قبل المعالجة الحاسمة لمهام الرؤية الحاسوبية المختلفة. ومع الانتشار المتزايد للأجهزة المحمولة الصغيرة، أصبح هناك حاجة إلى طريقة فعّالة من حيث الحوسبة للكشف بدقة عن تشوش التركيز. نقترح طريقة فعّالة لكشف تشوش التركيز تُقدّر احتمالية كل بكسل أن يكون مركزًا أو مشوّشًا، وذلك في الأجهزة ذات الموارد المحدودة. وعلى الرغم من التقدّم الملموس الذي حققته الطرق القائمة على التعلم العميق الحديثة، إلا أنها ما زالت تعاني من تحديات متعددة مثل التشويش الخلفي، الحساسية للقياس، صعوبة التمييز بين مناطق مركّزة ذات تباين منخفض ومناطق مشوّشة، بالإضافة إلى التكلفة الحسابية العالية ومتطلبات الذاكرة الكبيرة. ولحل التحديات الثلاثة الأولى، طوّرنا شبكة عميقة جديدة تُكشف بكفاءة عن خريطة التشوش من الصورة المشوّشة المدخلة. وبشكل خاص، قمنا بدمج ميزات متعددة المقاييس داخل الشبكة العميقة لحل الغموض الناتج عن المقاييس، وفي الوقت نفسه نمذجنا الارتباطات الهيكلية غير المحلية في الميزات العالية المستوى الخاصة بالتشوش. ولمعالجة الحالتين الأخيرتين، قمنا في النهاية بوضع خوارزمية DBD لدينا ضمن إطار تعلم التحويل المعرفي (Knowledge Distillation)، من خلال نقل المعلومات من شبكة معلّم كبيرة إلى شبكة طالب مدمجة. وتم تدريب جميع الشبكات بشكل معاكس (adversarially) بطريقة متكاملة (end-to-end) لفرض اتساقات من الدرجة العليا بين التوزيعات الناتجة والتوزيعات المستهدفة. أظهرت النتائج التجريبية أداءً متفوقًا على مستوى الحالة الحالية للشبكة المعلّمة الكبيرة، في حين أن نموذج DBD الخفيف المقترح يقلد ناتج الشبكة المعلّمة دون فقدان كبير في الدقة. سيتم إتاحة الكود البرمجي، وأوزان النموذج المُدرّب مسبقًا، والنتائج للجمهور بشكل عام.