شبكة التصعيد الثنائي الاتجاه لاكتشاف الحواف الإدراكية

استغلال التمثيلات متعددة المقياس أمر حاسم لتحسين اكتشاف الحواف للأجسام بمقاييس مختلفة. لاستخراج الحواف بمقاييس متفاوتة بشكل كبير، نقترح بنية شبكة تجميع ثنائية الاتجاه (BDCN)، حيث يتم إشراف كل طبقة من قبل حواف موسومة بمقياسها الخاص، بدلاً من تطبيق الإشراف نفسه مباشرة على جميع مخرجات CNN. بالإضافة إلى ذلك، للمساهمة في تعلم التمثيلات متعددة المقياس بواسطة BDCN، نقدم وحدة تعزيز المقياس (SEM) التي تستفيد من التحويل المتضخم لإنشاء خصائص متعددة المقياس، بدلاً من استخدام شبكات CNN أعمق أو دمج صور الحواف متعددة المقياس بشكل صريح. هذه النهج الجديدة تشجع على تعلم تمثيلات متعددة المقياس في طبقات مختلفة واكتشاف الحواف التي يتم تحديدها بشكل جيد بواسطة مقاييسها. كما أن تعلم الطبقات الخاصة بالمقياس يؤدي إلى شبكة مدمجة تحتوي على نسبة صغيرة من المعالم. قمنا بتقييم طريقتنا على ثلاثة مجموعات بيانات، وهي BSDS500 وNYUDv2 وMulticue، وحققنا قياس F-ODS بمقدار 0.828، وهو أعلى بنسبة 1.3% من أفضل ما هو موجود حالياً على مجموعة بيانات BSDS500. يمكن الوصول إلى الكود عبر الرابط: https://github.com/pkuCactus/BDCN.