تكييف الأسلوب من أجل تقسيم دلالي يتكيف مع النطاق

تشير التكيف غير الخاضع للإشراف (UDA) إلى الطريقة التي تستخدم بيانات نطاق المصدر المعلّمة وبيانات نطاق الهدف غير المعلّمة لتدريب نموذج قادر على التعميم على بيانات نطاق الهدف. يؤدي اختلاف النطاق إلى انخفاض كبير في أداء نماذج الشبكات العامة المدربة على بيانات نطاق المصدر عند تطبيقها على نطاق الهدف. نقدم نهجًا بسيطًا للتخفيف من اختلاف النطاق، والذي لا يتطلب حسابات إضافية للمعلمات ويندمج بسلاسة مع طرق UDA المعتمدة على التدريب الذاتي. من خلال نقل نمط نطاق الهدف إلى نطاق المصدر في فضاء الميزات الكامنة، يتم تدريب النموذج على إعطاء الأولوية لنمط نطاق الهدف أثناء عملية اتخاذ القرار. نتناول المشكلة على كل من مستوى الصورة ومستوى خريطة الميزات السطحية من خلال نقل معلومات النمط من نطاق الهدف إلى بيانات نطاق المصدر. ونتيجة لذلك، نحصل على نموذج يظهر أداءً متفوقًا على نطاق الهدف. توفر طريقتنا تحسينات ملحوظة في الأداء الحديث للمهام UDA من الاصطناعي إلى الحقيقي. على سبيل المثال، تحقق طريقتنا المقترحة أداءً ملحوظًا في UDA بنسبة 76.93 mIoU على مجموعة بيانات GTA->Cityscapes، مما يمثل تحسينًا ملحوظًا بمقدار +1.03 نقطة مئوية مقارنة بالنتائج الحديثة السابقة.