تشكل القدرة على التعرف على الكائنات المجهولة تحدياً كبيراً في التطبيقات الحيوية مثل القيادة الذاتية والروبوتات. لذلك، ظهرت تقنية جديدة تُعرف باسم Hyp2Former، والتي تهدف إلى تحسين تقسيم المشاهد المفتوحة (Open-Set Panoptic Segmentation) بشكل يتجاوز النماذج التقليدية.

الهدف من تقسيم المشاهد المفتوحة هو تحديد وتصنيف الكائنات المعروفة إلى فئات مختلفة، في الوقت نفسه الذي يتم فيه التعرف على الكائنات المجهولة ككيانات مستقلة. إلا أن العديد من المنهجيات السابقة كانت تعالج الكائنات المعروفة كمجموعة مسطحة من التسميات، مما يجعل تحديد الكائنات المجهولة أمراً صعباً للغاية.

يقدم Hyp2Former إطاراً مثالياً، حيث يتجنب الحاجة إلى نمذجة الكائنات المجهولة بشكل صريح أثناء فترة التدريب. بدلاً من ذلك، يقوم بتعلم العلاقات الدلالية الهرمية بشكل مستمر في الفضاء الهيبر بولي. وبهذا، يتمكن النموذج من إنشاء تخزين هيكلي للتمثيلات، مما يتيح له التقاط مستويات متعددة من التجريد الدلالي.

نتيجة لذلك، يمكن للكائنات المجهولة التي لا يمكن تصنيفها بشكل موثوق ضمن الفئات المعروفة أن تبقى قريبة من المفاهيم العليا. على سبيل المثال، يمكن لكائن مجهول مثل حيوان غير معروف أن يكون أقرب إلى مفهوم "الحيوانات" بدلاً من مفاهيم غير مرتبطة مثل "الإلكترونيات".

تظهر التقييمات التجريبية عبر عدة مجموعات بيانات عامة مثل MS COCO وCityscapes وLost&Found أن Hyp2Former يتفوق على المنهجيات الحالية في مجال تقسيم المشاهد المفتوحة، حيث يحقق التوازن الأفضل بين اكتشاف الكائنات المجهولة والقدرة على الحفاظ على القوة في تصنيف الفئات المعروفة.