تعتبر موثوقية ودقة التنبؤات من العوامل الحاسمة في تطبيقات تقسيم الصور (Semantic Segmentation)، وعندما يتعلق الأمر بالأنظمة ذات الأهمية الحيوية، مثل القيادة الذاتية، يصبح هذا الأمر أكثر أهمية. مع التوسع في استخدام استراتيجيات تعزيز البيانات مثل CutMix، كان من الضروري البحث في تأثير هذه الاستراتيجية على موثوقية وفعالية نماذج تقسيimage.

استنادًا إلى النتائج الحديثة التي تشير إلى أنّ طرق تقسيم الصور شبه المراقبة، والتي تعتمد على CutMix، قد تؤثر سلبًا على موثوقية التنبؤات، قامت هذه الدراسة بتحليل منهجي لتأثير CutMix على دقة التقسيم وضبط المعايير وجودة الشكوك. تم تقييم نموذجين رائدين في هذا المجال: DeepLabV3+ المعتمد على الشبكات العصبية الملتفة (CNN)، وSegFormer المعتمد على المحولات (Transformers)، وذلك في سيناريوهات داخلية وخارجية.

أظهرت النتائج أن تأثير CutMix كان طفيفًا على دقة التقسيم، ولكنه حسّن بشكل مستمر من الموثوقية، خاصةً في ظل تغيرات التوزيع. تُظهر هذه التحسينات أن CutMix يعزز في الأساس من مصداقية المعايرة والشكوك للنموذج أكثر من تحسينه للتنبؤات الأولية للتقسيم. هذه الفجوة في الفهم مهمة لتطبيقات السلامة الحيوية، حيث تعتبر تقديرات الثقة الموثوقة أمرًا بالغ الأهمية كما هو الحال مع الأداء الخام.