في عالم التعلم الآلي، يعد الكشف عن الكائنات المجهولة (Open-world Object Detection - OWOD) من التحديات الكبيرة التي تواجه الباحثين والمطورين. تتطلب هذه التقنية من الكواشف تمييز الأصناف المعروفة عن الكائنات التي لم يتم التعرف عليها بعد، ما يتيح تحسين التعلم المستقبلي. ومع ذلك، كشفت الدراسات أن نماذج الكشف عن الكائنات المجهولة الحالية تعاني من "تلوث" كبير في توقعاتها، حيث تشكل الإيجابيات الكاذبة ما يصل إلى 71% من التوقعات.

تسلط الأبحاث الأخيرة الضوء على أن هذه المشكلة ليست ناتجة عن نقص المعلومات بل هي نتيجة لعائق في موثوقية الكائن (objectness bottleneck) في النماذج. نجاح الكتابة واستخدام تقنيات مثل DualMem يمكن أن يساعد في تجاوز هذه العقبات.

تمتاز DualMem بتصميمها كفلتر ما بعد المعالجة، معتمدةً على مجموعة ضئيلة من الصور المعلقة لتعديل النتائج. تقدم هذه التقنية اختبار نسبة الاحتمالية من دون بيانات إضافية، مما يزيد من قدرة الكاشف على تحديد الكائنات المجهولة بدقة أكبر. كما أن استخدام ذاكرة الجوار (k-nearest-neighbor) يمكن النظام من الاحتفاظ بالأشياء المهمة من الكائنات المستقبلية وتقليل الاقتراحات المشابهة للخلفية.

في التجارب التي أجريت، استطاعت DualMem تقليل الإيجابيات الكاذبة من 44.9% إلى 66.3%، مما يشير إلى تحسن كبير في دقة الكواشف. بالمجمل، تعتبر DualMem خطوة عملاقة نحو تحقيق اكتشاف أكثر دقة وفعالية للكائنات غير المعروفة، مما يعزز قدرة الأنظمة الذكية على العمل في بيئات غير معروفة.

لقد أظهرنا كيف أن استخدام DualMem يحقق وفراً كبيراً في الاقتراحات الكاذبة مع الحفاظ على مستوى الدقة في الكائنات المعروفة، مما يوفر للمستخدمين إمكانية الوصول إلى الفوائد المتوازنة بين دقة الكشف وتخفيف الأخطاء.