استكشاف المحفزات البصرية النادرة للتكيف المحلي في التنبؤ الكثيف

لقد قدمت المحفزات البصرية وسيلة فعالة لمعالجة المشكلات البصرية عبر المجالات. الأعمال السابقة تقدم محفزات محلية لمواجهة مشكلة التكيف الزمني للاختبار (TTA) من خلال وضع محفزات على مستوى الصورة على المدخلات وضبط المحفزات لكل مجال مستهدف. ومع ذلك، نظرًا لأن محفزات مستوى الصورة تعزل التفاصيل المكانية المستمرة في المنطقة المخصصة للمحفز، فإنها تعاني من معلومات سياقية غير دقيقة واستخراج محدود للمعرفة المحلية، خاصةً عند التعامل مع مشاكل TTA في التنبؤ الكثيف. للتغلب على هذه التحديات، نقترح نهجًا جديدًا يسمى محفزات المجال البصرية النادرة (SVDP)، الذي يطبق معلمات تدريب قابلة للتعديل بالحد الأدنى (مثل 0.1%) على النقاط عبر الصورة بأكملها ويحتفظ بمزيد من المعلومات المكانية للمدخلات. لتطبيق SVDP بشكل أفضل في استخراج المعرفة الخاصة بالمجال، نقدم طريقة وضع المحفزات المحلية (DPP) التي تخصيص المعلمات القابلة للتعديل في SVDP بشكل تكيفي على النقاط ذات التحولات الكبيرة في التوزيع. علاوة على ذلك، recognizing أن كل عينة من المجال الهدف تعرض تحولًا فريدًا للمجال، نقوم بتصميم استراتيجية تحديث المحفزات المحلية (DPU) لتحسين معلمات المحفز بطريقة مختلفة لكل عينة، مما يسهل التكيف الفعال مع المجال المستهدف. تم إجراء تجارب واسعة على معايير TTA وTTA المستمرة المستخدمة على نطاق واسع، وقد حقق نهجنا المقترح أداءً متميزًا في كل من مهام تقسيم الكيانات الدلالية وتقدير العمق.