يُعتبر اكتشاف البيانات خارج التوزيع (OOD) من أهم التحديات التي تواجه نماذج التعلم العميق، حيث يمكن أن تسبب هذه البيانات مشكلات كبيرة في موثوقية النموذج. في حين أن الأساليب الحالية تركز في الغالب على التمثيلات المتشابكة العادية لتمييز البيانات، إلا أنها غالبًا ما تغفل المعلومات السياقية الغنية التي يمكن أن نستخلصها من الصور.

تكمن المشكلة بشكل خاص في اكتشاف البيانات القريبة من OOD، حيث تكافح النماذج التي تعاني من انحياز البساطة لفهم ميزات التمييز في التمثيلات المفككة. يستند الاقتراح الجديد إلى الفهم البشري لكيفية استخدام نظام الرؤية لدينا لتكرارات الكائنات في بيئتنا الطبيعية لتعزيز فهم المشهد.

نقوم بتقديم إطار عمل جديد يعتمد على اكتشاف البيانات OOD يستند إلى تكرارات الكائنات (Object-Centric OOD detection framework). يهدف هذا الإطار إلى التعرف على أنماط تكرار الكائنات داخل الصور. من خلال هذا المنهج، يتمكن النموذج من فهم العلاقات السياقية المعقدة بين الأجسام داخل الصورة، مما يعزز قدرته على اكتشاف البيانات القريبة من OOD.

تتضمن الطريقة المقترحة تنفيذ نموذج اكتشاف OOD جديد، حيث يتم أولاً توقع التمثيلات المفككة للعينة الاختبارية. ثم يتم تقسيم الأنماط بشكل تكيفي إلى ثلاث سيناريوهات بناءً على أنماط تكرار الكائنات الملاحظة في بيانات التدريب المتعلقة بالتوزيع.

يمكن أن يميز هذا الإطار بين البيانات القريبة من OOD من خلال أخذ العلاقات السياقية الدلالية الموجودة في الصور بعين الاعتبار، متجنبًا الانجذاب نحو المناطق البسيطة التي يتم تعلمها بسهولة. تم تقييم هذا الإطار من خلال تجارب عبر مجموعة من إعدادات OOD الصعبة، حيث أظهرت النتائج قدرتها التنافسية وأكدت على قدرتها في معالجة التحولات الدلالية والتغيرات في المتغيرات.

للمزيد من المعلومات، يمكنك زيارة [GitHub](https://github.com/Michael-McQueen/OCO) للحصول على الشيفرة المصدرية.