مِيلَا: تكيّف على مستوى المُستَوَى القائم على الذاكرة للكشف عن الكائنات عبر المجالات

كشف الكائنات عبر المجالات يُعد تحديًا كبيرًا، ويتطلب مواءمة المجالات المصدرية المُعلمة مع المجالات الهدف غير المُعلمة. اعتمدت الطرق السابقة على التدريب العدواني لمحاذاة السمات على مستويي الصورة والكائن. أما على مستوى الكائن، فإن العثور على عينة مصدرية مناسبة تتماشى مع عينة هدفية ما هو أمر بالغ الأهمية. تُعتبر عينة مصدرية مناسبة إذا كانت تختلف عن العينة الهدفية فقط من حيث المجال، دون وجود فروق في خصائص غير مهمة مثل الاتجاه أو اللون، والتي قد تُعيق نموذج التعلم من التركيز على محاذاة الفرق بين المجالات. ومع ذلك، تواجه الطرق الحالية التي تعتمد على محاذاة السمات على مستوى الكائن صعوبة في العثور على عينات مصدرية مناسبة، وذلك لأن نطاق البحث يقتصر على مجموعات صغيرة (mini-batches). وغالبًا ما تكون هذه المجموعات صغيرة جدًا بحيث لا تحتوي دائمًا على عينات مصدرية مناسبة. وتصبح قلة تنوع المجموعات الصغيرة مشكلة خاصة عندما تكون العينات الهدفية تمتلك تباينًا داخليًا عاليًا داخل الفئة. ولحل هذه المشكلة، نقترح إطارًا جديدًا لتكيف المجال على مستوى الكائن يعتمد على الذاكرة. يُحاذا الكائن الهدف بأقرب عينة مصدرية من نفس الفئة، يتم استردادها من مستودع ذاكرة. وبشكل محدد، نُقدّم وحدة ذاكرة تقوم بتخزين سمات مجمعة لجميع العينات المصدرية المُعلمة بشكل ديناميكي، مع تصنيفها حسب تسمياتها. كما نُقدّم وحدة بسيطة ولكن فعالة لاسترجاع الذاكرة، تُستخدم لاسترداد مجموعة من فراغات الذاكرة المطابقة للعينات الهدفية. أظهرت تجاربنا في سيناريوهات مختلفة لانزياح المجال أن نهجنا يتفوق بشكل ملحوظ على الطرق الحالية التي لا تعتمد على الذاكرة.