انتشار الثقة عبر شبكات CNN للانحدار النادر الموجه للعمق

بشكل عام، تتعامل شبكات العصبونات التلافيفية (CNNs) مع البيانات على شبكة منتظمة، مثل البيانات التي تولدها الكاميرات العادية. تصميم شبكات العصبونات التلافيفية للبيانات النادرة والمتباعدة بشكل غير منتظم لا يزال مشكلة بحثية مفتوحة ذات تطبيقات عديدة في القيادة الذاتية والروبوتات والمراقبة. في هذا البحث، نقترح طبقة تلافيفية مُعَقَّدة جبرياً ومُعَدَّلة للشبكات العصبونية التلافيفية التي تعمل مع المدخلات شديدة الندرة والتي تحتوي على عدد أقل من معلمات الشبكة مقارنة بالأبحاث ذات الصلة. نقترح استراتيجيات جديدة لتحديد الثقة من عملية التلاصق ونقلها إلى الطبقات المتتالية. كما نقترح دالة هدف تقوم بتعظيم الثقة في المخرجات بينما تقلل من خطأ البيانات في الوقت نفسه. لدمج المعلومات البنيوية، ندرس أيضاً استراتيجيات الدمج لجمع معلومات العمق ومعلومات RGB ضمن إطار عمل شبكتنا التلافيفية المُعَدَّلة. بالإضافة إلى ذلك، نقدم استخدام الثقة في المخرجات كمعلومات مساعدة لتحسين النتائج. يتم إظهار قدرات إطار عمل شبكتنا التلافيفية المُعَدَّلة في مشكلة إكمال عمق المشهد. تم إجراء تجارب شاملة على مجموعتي بيانات KITTI-Depth و NYU-Depth-v2. توضح النتائج بوضوح أن النهج المقترح يحقق أداءً أفضل بينما يحتاج فقط إلى حوالي 1-5% من عدد المعلمات مقارنة بالطرق الرائدة في المجال.