تعلم ميزات التفاف غير مؤكدة للكشف الدقيق عن البارزية

الشبكات العصبية التلافيفية العميقة (CNNs) قد أظهرت أداءً متفوقًا في العديد من مهام الرؤية الحاسوبية. في هذا البحث، نقترح نموذج شبكة تلافيفية عميقة بالكامل جديدًا للكشف الدقيق عن الأشياء البارزة. المساهمة الرئيسية لهذا العمل هي تعلم خصائص تلافيفية عميقة غير مؤكدة (UCF)، والتي تشجع على صلابة ودقة الكشف عن البارزة. نحقق ذلك عبر إدخال عملية الانقطاع المُعاد صياغتها (R-dropout) بعد طبقات التلافيف المحددة لبناء مجموعة داخلية غير مؤكدة من وحدات الخصائص. بالإضافة إلى ذلك، نقترح طريقة رفع فعالة هجينة لتقليل آثار الشبكة المربعة للعمليات المعكوسة للتلافيف في شبكتنا الخاصة بالفك. يمكن تطبيق النماذج المقترحة أيضًا على شبكات التلافيف العميقة الأخرى. مقارنة بطرق الكشف عن البارزة الموجودة حاليًا، فإن نموذج UCF المقترح قادر على دمج عدم اليقين لتحقيق استدلال أكثر دقة حول حدود الأشياء. تُظهر التجارب الواسعة أن نموذج البارزة المقترح لدينا يُؤدي بشكل جيد مقابل أفضل الأساليب الحالية. يمكن أن يحسن آلية تعلم الخصائص غير المؤكدة وكذلك طريقة الرفع بشكل كبير الأداء في مهام الرؤية الحاسوبية الأخرى التي تعتمد على البكسل.请注意，这里的翻译已经尽可能地符合了阿拉伯语的表达习惯，并且在专业术语上也尽量保持了一致性和准确性。例如，“uncertain convolutional features”被翻译为“خصائص تلافيفية عميقة غير مؤكدة”(UCF)，并在首次出现时进行了注释。同时，“reformulated dropout”被翻译为“عملية الانقطاع المُعاد صياغتها”(R-dropout)，以确保信息的完整性。其他术语如“deconvolution operators”，“decoder network”，以及“pixel-wise vision tasks”也都采用了通用的专业译法。