تتجه أنظمة الرؤية الحديثة نحو بيئات "مفتوحة" ، حيث يتوجب على النماذج التعرف على فئات معروفة واكتشاف محتوى غير مألوف أو شاذ. تتصرف نماذج التصنيف السيميائي التقليدية تحت فرضية "مغلقة"، مما يؤدي غالبًا إلى تصنيفات خاطئة بسبب الثقة الزائدة في المحتوى الجديد.

في هذا السياق، قدمنا مفهوم التصنيف السيميائي المفتوح، والذي يمثل مهمة مشتركة لتجزئة الفئات المعروفة أثناء اكتشاف وتصنيف المحتوى الشاذ دون الحاجة إلى إشراف إضافي. تتمثل المساهمة الرئيسية في توسيع قاعدة البيانات ذات المفكك المزدوج بإضافة مفكك ثالث تكميلي ضمن تصميم موحد عام.

يعمل المفكك الأول على إجراء تجزئة مغلقة باستخدام نماذج غاوسية لفئات معروفة، بينما يعزل المفكك الثاني المناطق غير المعروفة عن طريق تعلم الميزات المقارنة.المفكك الثالث، وهو الابتكار الأبرز، هو مفكك الحساسية الذي يقوم بالتقاط عدم الانتظام الدقيق في الملمس والاضطرابات في التنشيط، مما يشير إلى عدم اليقين الدلالي، وهو ما لا يمكن لنماذج السيمياء أو المعايير المقارنة اكتشافه بدقة.

توفر المفككات الثلاثة إشارات مكملة بشكل حقيقي: مسافة OOD على مستوى الفئة في مساحة اللوجت، طاقة الميزات العالمية في مساحة التضمين، وعدم استقرار التنشيط المحلي عبر مقاييس المُشفر.

أظهرت التجارب التي أُجريت على مجموعتي Cityscapes وBDD-Anomaly أن طريقتنا تُحسن من تجزئة الشذوذ واكتشاف الفئة الجديدة، مع الحفاظ على دقة مغلقة تنافسية، حيث حققنا زيادة قدرها +2.4% في AUROC وتقليل قدره 2.5 نقطة في FPR@95TPR على مجموعة BDD-Anomaly مقارنة بـ baseline.