التموضع والتقسيم المشترك للقزحية باستخدام إطار التعلم متعدد المهام العميق

فصل وتحديد القزحية في بيئات غير تعاونية يمثل تحديًا بسبب التغيرات في الإضاءة، المسافات الطويلة، حركة الأشخاص والتعاون المحدود من المستخدمين وغيرها. غالبًا ما تعاني الطرق التقليدية من أداء ضعيف عند مواجهتها بصور القزحية التي تم التقاطها في هذه الظروف. أظهرت الدراسات الحديثة أن طرق التعلم العميق يمكن أن تحقق أداءً مثيرًا للإعجاب في مهمة فصل القزحية. بالإضافة إلى ذلك، نظرًا لتعريف القزحية كمنطقة حلقة بين الحدقة والقزحية (السكليرا)، يمكن فرض قيود هندسية لمساعدتها على تحديد موقع القزحية بدقة أكبر وتحسين نتائج الفصل. في هذا البحث، نقترح إطار تعلم متعدد المهام عميقًا، يُطلق عليه اسم IrisParseNet، لاستغلال العلاقات الذاتية بين الحدقة والقزحية والسكليرا لتعزيز أداء فصل وتحديد القزحية في نموذج موحد. بشكل خاص، يقوم IrisParseNet أولًا بتطبيق شبكة انتباه مشفرة-مفككة بالكامل ذات التكرار الكامل (Fully Convolutional Encoder-Decoder Attention Network) لتقييم مركز الحدقة وقناع فصل القزحية وحدود القزحية الداخلية والخارجية بشكل متزامن. ثم يتم اعتماد طريقة معالجة ما بعد الفعالة لتحديد دوائر القزحية الداخلية والخارجية. لتدريب وتقييم الطريقة المقترحة، قمنا بتسمية ثلاث قواعد بيانات صعبة للقزحية يدوياً، وهي CASIA-Iris-Distance وUBIRIS.v2 ومICHE-I، والتي تغطي أنواعًا مختلفة من الضوضاء. تم إجراء تجارب موسعة على هذه القواعد البيانات الجديدة المصحوبة بالتسميات، وأظهرت النتائج أن طريقتنا تتفوق على أفضل الطرق المتاحة حاليًا في مختلف المعايير. جميع التسميات الحقيقية وأكواد التسميات وبروتوكولات التقييم متاحة للعموم على الرابط https://github.com/xiamenwcy/IrisParseNet.