RefineNet: شبكات التحسين متعددة المسارات للتقسيم الدلالي بدقة عالية

في الآونة الأخيرة، أظهرت شبكات العصب الاصطناعية التلافيفية العميقة (CNNs) أداءً متميزًا في مجال تمييز الأشياء وأصبحت الخيار الأول لمشاكل التصنيف الكثيف مثل التجزئة الدلالية. ومع ذلك، فإن عمليات التسجيل المتكررة مثل التجميع أو الخطوات التلافيفية في شبكات CNN العميقة تؤدي إلى انخفاض كبير في دقة الصورة الأصلية.في هذا السياق، نقدم RefineNet، وهي شبكة تحسين متعددة المسارات تستخدم بشكل عام وتستغل جميع المعلومات المتاحة خلال عملية التقليل من الدقة لتمكين التنبؤ بدقة عالية باستخدام اتصالات بواقي طويلة المدى. بهذه الطريقة، يمكن تحسين الطبقات الأعمق التي تستوعب الخصائص الدلالية العليا مباشرة باستخدام الخصائص الدقيقة من التلافيف السابقة. تتضمن المكونات الفردية لـ RefineNet اتصالات بواقي تعتمد على فكرة الخريطة المتطابقة، مما يسمح بالتدريب الشامل من النهاية إلى النهاية بشكل فعال. بالإضافة إلى ذلك، نقدم تقنية التجميع البواقي المتسلسلة (chained residual pooling)، والتي تلتقط سياق الخلفية الغني بطريقة كفاءة عالية.نقوم بإجراء تجارب شاملة ونحقق نتائج جديدة رائدة على سبعة مجموعات بيانات عامة. وبشكل خاص، نحقق درجة تقاطع على الاتحاد (intersection-over-union) قدرها 83.4 على مجموعة بيانات PASCAL VOC 2012 الصعبة للغاية، وهي أفضل نتيجة تم الإبلاغ عنها حتى الآن.