تقنية جديدة في كشف الكائنات المخفية: دليلك الشامل لفهم أساليب التعليم الذاتي المتقدمة!

في ظل التقدم التكنولوجي السريع في مجالات الذكاء الاصطناعي، يبرز مجال كشف الكائنات المخفية (Camouflaged Object Detection) كواحد من أبرز المجالات التي تتطلب تحسينات ملحوظة لدقة الأداء. يعتمد نظام كشف الكائنات المخفية ذات الإشراف الضعيف (Weakly-Supervised Camouflaged Object Detection - WSCOD) على إشراف محدود مثل العلامات القلمية للتعرف على الكائنات المخبأة في المشاهد المحيطة.

رغم التقدم الذي تم إحرازه في هذا المجال، لا تزال الطرق الحالية تعاني من قيود ملحوظة، مما يجعلها أقل دقة من الأساليب المشروطة بالكامل. ومن بين هذه العوائق نجد الآتي:

1. **عدم موثوقية الأقنعة الوهمية (Pseudo Masks)**: النماذج العامة المستخدمة في التقطيع مثل نموذج SAM غالباً ما تنتج أقنعة غير موثوقة، لأنها تفتقر إلى فهم دلالي محدد للمهمة.

2. **تحيز التوجيه المفرط**: الإغفال عن تحيز العلامات القلمية في البيانات المدخلة، مما يصعب على النظام التقاط الهيكل العام للكائنات المخفية.

للتغلب على هذه التحديات، قدمنا نظام ${D}^{3}$ETOR، وهو إطار عمل متعدد المراحل يتضمن التعليم الذاتي المعزز من خلال النقاش (Debate-Enhanced Pseudo Labeling) وتخفيف التحيز التدريجي الموجه نحو التردد (Frequency-Aware Progressive Debiasing). في المرحلة الأولى، يتم إدخال طريقة عينة مدفوعة بالانتروبيا (entropy-driven) ونظام نقاش بين وكلاء متعددين لتعزيز قدرة نموذج SAM في كشف الكائنات المخفية، مما يؤدي إلى تحسين دقة وجودة الأقنعة الناتجة.

في المرحلة الثانية، تم تصميم FADeNet، الذي يدمج الميزات الوعي الترددي على مستويات متعددة ليوازن بين الفهم الدلالي العام وتفاصيل المستوى المحلي، مع تعديل قوة الإشراف ديناميكياً عبر المناطق لتخفيف تأثير تحيز العلامات القلمية.

عبر استغلال الإشارات الإشرافية من كل من الأقنعة الوهمية ودلالات العلامات القلمية، يحقق ${D}^{3}$ETOR فارقاً كبيراً بين الأنظمة الحاصلة على إشراف ضعيف وتلك التي تحصل على إشراف كامل، محققاً أداءً رائداً في عدة مقاييس تقييم.