الإهمال في الانتباه يعني التباعد! تقارب الميزات ذاتية الانتباه المتبقية لتعديل كاشفات الكائنات
{C. V. Jawahar Anbumani Subramanian Vineeth N Balasubramanian Chetan Arora Vaishnavi Khindkar}
الملخص
يمكن أن تؤدي التطورات في الكشف عن الكائنات التكيفية إلى تحسينات كبيرة في التطبيقات مثل التنقل الذاتي، حيث تقلل من التحولات التوزيعية التي تحدث على طول مسار الكشف. اعتمد العمل السابق على التعلم العدواني لمحاذاة ميزات الصور على المستويين العام والمحلي، ولكن تظل هناك مشكلة في التداخل غير المتماثل بالنسبة لكل كائن. كما أن الكشف التكيفي عن الكائنات يظل تحديًا بسبب التنوع البصري في المشاهد الخلفية والتراكيب المعقدة للكائنات. مستلهمين من الأهمية الهيكلية، نهدف إلى التركيز على المناطق المميزة الخاصة بالكائنات، بهدف التغلب على مشكلة عدم التماثل في الميزات. نقترح طريقة جديدة تُسمى "محاذاة الميزات ذات الانتباه الذاتي المُعادَّلة" (ILLUME) للكشف التكيفي عن الكائنات. تتضمن ILLUME وحدة خ карِّة ميزة ذات انتباه ذاتي (SAFM) التي تعزز الانتباه الهيكلي تجاه المناطق المرتبطة بالكائنات، وبالتالي تُنتج ميزات غير تعتمد على المجال. يقلل نهجنا بشكل كبير من المسافة بين المجالات بفضل تحسين محاذاة ميزات الكائنات. تُظهر النتائج النوعية قدرة ILLUME على التركيز على الكائنات المهمة المطلوبة لمحاذاة الميزات. وتشير النتائج التجريبية على عدة مجموعات بيانات معيارية إلى أن طريقة لدينا تتفوق على الطرق الحالية المتميزة في مجالها.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| unsupervised-domain-adaptation-on-bdd100k-to | ILLUME | mAP: 29.6 |
| unsupervised-domain-adaptation-on-cityscapes-1 | ILLUME | mAP@0.5: 43.8 |
| unsupervised-domain-adaptation-on-pascal-voc | ILLUME | mAP: 41.6 |
| unsupervised-domain-adaptation-on-sim10k-to-3 | ILLUME | mAP@0.5: 53.1 |
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.