تحسين الأداء في التعلم المتزايد عبر المجالات الثلاثية الأبعاد: حل مبتكر لمشكلة التباين

تعتبر تقنيات الإدراك الثلاثي الأبعاد (3D Perception) من العناصر الأساسية في تطبيقات عديدة مثل القيادة الذاتية (Autonomous Driving) والروبوتات (Robotics) وتجارب الواقع المعزز والافتراضي (AR/VR). في هذه السياقات العملية، تحتاج نماذج الإدراك الثلاثي الأبعاد إلى التكيف المستمر مع الفئات الجديدة للأجسام الثلاثية الأبعاد، مما يجعل التعلم المتزايد عبر الفئات (Class-Incremental Learning) ذا أهمية كبيرة.

ومع ذلك، يختلف مشهد الفضاء الثلاثي الأبعاد بشكل جذري عن الصور الثنائية الأبعاد، حيث أن سُحب النقاط الثلاثية الأبعاد (3D Point Clouds) تخضع لتفاوت ذاتي؛ فالأجسام من نفس الفئة قد تأتي من مجالات مختلفة تتنوع بين رسومات CAD النظيفة، ومسح الكاميرات RGB-D، وإعادة بناء الفيديو، أو حتى الملاحظات المعطوبة. لقد اكتشفنا أن هذا التنوع يخلق تحديًا جديدًا يتجاوز مسألة النسيان الكارثي (Catastrophic Forgetting): إن معدل التدهور في الأداء قد يختلف بشكل كبير عبر المجالات، وهو الظاهرة التي نطلق عليها اسم "تباين الأداء" (Performance Discrepancy).

لتحقيق فهم أعمق لهذه المشكلة، أنشأنا بروتوكول التدريب والتقييم Domain3D-CIL، الذي يتضمن فئات سحب النقاط من مجالات غير متجانسة. كما قمنا بتكييف مجموعة واسعة من أساليب التعلم المتزايد الشائعة مع النمط الثلاثي الأبعاد. تظهر النتائج أن هذا التباين في الأداء يحدث باستمرار عبر هذه الأساليب.

لمعالجة هذه المشكلة، نقدم PolyMem، وهي مقاربة خالية من الأمثلة (Exemplar-Free) تقوم بشكل ضمني بنمذجة إحصاءات عالية الرتبة الغنية لتوزيع الخصائص، مما يعزز من قوة التحمل عبر المجالات. وتثبت التجارب أن طريقتنا تخفف بفعالية من تباين الأداء مع تحسين الأداء العام للنموذج عبر المجالات. وسيتم توفير الشيفرة البرمجية للجمهور بمجرد قبول البحث.