التمييز الدلالي القائم على المناطق مع التدريب من البداية إلى النهاية

نقترح طريقة جديدة للتقسيم الدلالي، وهي مهمة تسمية كل بكسل في الصورة بفئة دلالية. تعتمد طريقتنا على الجمع بين مزايا المنهجين الرئيسيين المنافسين. تقدم الطرق المستندة إلى تصنيف المناطق دعماً فضائياً مناسباً لقياسات المظهر، لكنها عادة ما تعمل في مرحلتين منفصلتين، ولا تستهدف أداء التسمية البكسلية في نهاية خط الأنابيب. أما الطرق الشبه كاملة التلافيف الأكثر حداثة فهي قادرة على التدريب من النهاية إلى النهاية لأجل التسمية البكسلية النهائية، ولكنها تتجه نحو استخدام مربعات ثابتة كدعم فضائي. نوضح كيفية تعديل النهج الحديث القائم على المناطق لتمكين التدريب من النهاية إلى النهاية للتقسيم الدلالي. يتم تحقيق هذا عبر طبقة تحويل منطقة إلى بكسل قابلة للمفاضلة وطبقة استخراج منطقة الاهتمام الحرة القابلة للمفاضلة (Region-of-Interest). تحسن طريقتنا الحالة الحالية فيما يتعلق بدقة الفئة المتوسطة بنسبة 64.0% على SIFT Flow و49.9% على PASCAL Context، وهي خاصة دقيقة عند حدود الأشياء.