CASENet: الكشف العميق عن الحواف الدلالية وفقًا للتصنيف

الدلالات الحدودية والحواف مفيدة للغاية في تحسين مجموعة واسعة من مهام الرؤية مثل التجزئة الدلالية، وتعرف الأشياء، والصورة الاستريو، وإنشاء اقتراحات الأشياء. مؤخرًا، تم إعادة النظر في مشكلة كشف الحواف وقد تحقق تقدم كبير باستخدام التعلم العميق. بينما تعتبر الكشف التقليدي عن الحواف تحديًا ثنائيًا بحد ذاته، فإن الكشف الدلالي عن الحواف مع الوعي بالفئة بطبيعته هو تحدي متعدد العلامات أكثر صعوبة. نقوم بنمذجة المشكلة بحيث يمكن ربط كل بكسل حد بأكثر من فئة واحدة حيث يظهر في المحيطات أو نقاط التقاء تنتمي إلى فئتين أو أكثر من الفئات الدلالية. لهذا الغرض، نقترح هندسة تعلم حواف دلالية عميقة جديدة ومتكاملة تعتمد على ResNet وهندسة طبقات تخطي جديدة حيث يتم مشاركة وتجميع تنشيطات الحواف حسب الفئة في الطبقة التلافيفية العليا مع نفس مجموعة خصائص الطبقة السفلية. ثم نقترح دالة خسارة متعددة العلامات لرقابة التنشيطات المجمعة. نوضح أن هندستنا المقترحة تفيد هذه المشكلة بأداء أفضل، ونتفوق على أفضل الأساليب الحالية للكشف الدلالي عن الحواف بمقدار كبير على مجموعات بيانات قياسية مثل SBD و Cityscapes (SBD و Cityscapes).