في عالم الذكاء الاصطناعي، تواجه تقنيات التقسيم الدلالي عبر مجالات متعددة (Cross-Domain Few-Shot Semantic Segmentation) تحديات كبيرة تتعلق بالتحولات الكبيرة في البيانات. تأتي الحلول التقليدية غالباً من خلال تحسين التمثيلات المستقرة أو تحسين التوافق بين البيانات الداعمة والاستفسارات. لكن، عندما تكون هناك تحولات كبيرة بين المجالات، يصبح مطابقة النماذج أمراً غير موثوق به.

إطلاق DAUPNet يمثل خطوة كبيرة نحو تحسين هذه العملية، حيث يعيد صياغة مفهوم مطابقة النماذج من خلال التركيز على عدم اليقين. إذ يقوم DAUPNet أولاً بتوحيد ميزات البيانات من النماذج الداعمة والاستفسارات لتعزيز الاستقرار. ثم، يقوم بتمثيل النماذج لكل من المقدار والخلفية بصورة احتمالية، وهو ما يتيح استخدام عدم اليقين المقدر في تنظيم عملية التحسين.

وفقاً للنتائج، فإن DAUPNet حقق متوسط mIoU قدره 72.6% في إعدادات عينة واحدة و76.7% في إعدادات الخمس عينات، متفوقاً بشكل ملحوظ على مجالى الطب. هذه النتائج توضح كيف أن نمذجة عدم اليقين ودمجها في عملية التحسين يمكن أن تقدم مقاربة قوية ومفهومة للتقسيم الدلالي عبر مجالات متعددة، حتى في الحالات ذات التحولات الكبيرة.

يمكنكم العثور على الكود المستخدم لهذا النموذج على الرابط: DAUPNet GitHub. ما رأيكم في هذه التقنية الحديثة؟ شاركونا أرائكم في التعليقات!