التمييز بين النماذج الصرفيّة باستخدام دالة خسارة تمييزية

التمييز بين الحالات اللفظية يظل مهمة صعبة. في هذا البحث، نقترح التعامل مع المشكلة باستخدام دالة خسارة تمييزية تعمل على مستوى البكسل وتحفز شبكة التحويل على إنتاج تمثيل للصورة يمكن تجميعه بسهولة إلى حالات من خلال خطوة ما بعد المعالجة البسيطة. تحث دالة الخسارة الشبكة على رسم كل بكسل إلى نقطة في فضاء الميزات بحيث يتم وضع البكسلات التي تنتمي إلى الحالة نفسها بالقرب من بعضها البعض بينما يتم فصل الحالات المختلفة بمقدار كبير. نهجنا الذي يجمع بين شبكة جاهزة ودالة خسارة مبدئية مستوحاة من هدف تعلم المقاييس هو بسيط ومتميز عن الجهود الحديثة في التمييز بين الحالات. على عكس الأبحاث السابقة، لا تعتمد طريقتنا على اقتراح الكائنات أو الآليات المتكررة. أحد المساهمات الرئيسية لبحثنا هو إظهار أن مثل هذه الإعداد البسيط بدون زخارف معقدة يكون فعالًا ويمكنه أن يؤدي بشكل مماثل للطرق الأكثر تعقيدًا. بالإضافة إلى ذلك، نوضح أنه لا يعاني من بعض القيود التي تعاني منها طرق الاكتشاف والتقطيع الشائعة. نحقق أداءً تنافسيًا على مقاييس Cityscapes و CVPPP لتقطيع الأوراق.请注意，"semantic instance segmentation" 通常翻译为 "التمييز بين الحالات اللفظية"，但根据上下文和具体应用领域，也可以翻译为 "التقسيم الدلالي للحالات". 在这里我选择了前者以保持一致性。如果您有特定偏好，请告知我。