متوسط الترجيح المتحرك المستند إلى HSIC للكشف عن الكائنات المفتوحة بعينات قليلة

نُجري دراسة لمشكلة الكشف عن الكائنات المفتوحة ذات العينات القليلة (FOOD)، التي تهدف إلى تكييف نموذج بسرعة باستخدام مجموعة صغيرة من العينات المُعلَّمة ورفض عينات الفئة غير المعروفة. في الدراسات الحديثة، يُستخدم عادةً تخفيف الوزن (weight sparsification) لرفض العينات غير المعروفة، ولكن نظرًا لعدم مراعاة التخصيص المناسب للسياقات التي تفتقر إلى البيانات، فإن الأداء لم يكن مرضيًا. في هذا العمل، نعالج مشكلات الكشف عن الكائنات المفتوحة ذات العينات القليلة الصعبة من ثلاث جوانب. أولاً، على عكس الطرق السابقة التي تعتمد على استخراج العينات الوهمية غير المعروفة، نستخدم عدم اليقين الدلالي المقدر بواسطة توزيع ديريشليت (Dirichlet distribution) للاحتمالات لاستخراج العينات الوهمية غير المعروفة من فضاء الاقتراحات الخاصة بالخلفية والكائنات المُستهدفة. ثانيًا، استنادًا إلى التحليل الإحصائي بين عدد العينات الوهمية غير المعروفة وقيمة تقاطع الوحدة (Intersection over Union - IoU)، نقترح هدفًا يراعي IoU، والذي يُحسّن حدود القرار غير المعروفة من خلال أخذ جودة التحديد في الاعتبار. ثالثًا، لقمع مشكلة التفوق في التكييف (over-fitting) وتحسين قدرة النموذج على التعميم في رفض الكائنات غير المعروفة، نقترح تقنية متوسطة التحديث للوزن المستندة إلى معيار الاستقلال الهيلبرتي-شميدت (HSIC-based Moving Weight Averaging)، والتي تأخذ بعين الاعتبار درجة الاستقلال بين الوزن الحالي والوزن السابق المخزن في بنوك الذاكرة طويلة الأمد. قارنا طريقةنا مع عدة طرق حديثة متقدمة، ولاحظنا أن طريقةنا تحسن متوسط الاسترجاع للطبقات غير المعروفة بنسبة 12.87٪ عبر جميع مستويات العينات في إعدادات مجموعة بيانات VOC-COCO. يمكن الوصول إلى الشفرة الخاصة بنا عبر الرابط: https://github.com/binyisu/food.