التمييز هو كل ما تحتاجه

آليات اقتراح المناطق ضرورية للطرق الحالية القائمة على التعلم العميق لاكتشاف الأشياء في الصور. رغم أنها تستطيع عادةً تحقيق أداء كشف جيد في الظروف العادية، فإن نسبة استرجاعها في المشاهد التي تحتوي على حالات متطرفة تكون منخفضة بشكل غير مقبول. هذا يعود أساسًا إلى أن ملاحظات الصناديق المحيطة تحتوي على الكثير من المعلومات الضوضائية البيئية، ويجب استخدام تقنية القمع غير القصوى (Non-Maximum Suppression - NMS) لاختيار صناديق الهدف. لذلك، في هذه الورقة البحثية، نقترح أول نموذج لاكتشاف الأشياء خالٍ من النقاط المرجعية وخالٍ من NMS يُسمى الكشف عن التجزئة بالتوسيع المتعدد والرقابة الضعيفة (Weakly Supervised Multimodal Annotation Segmentation - WSMA-Seg)، والذي يستخدم نماذج التجزئة لتحقيق كشف دقيق وثابت للأشياء دون الحاجة إلى NMS. في WSMA-Seg، يتم اقتراح ملاحظات متعددة الأوضاع لتحقيق تجزئة واعية بالمثيل باستخدام صناديق حصر ضعيفة الرقابة؛ كما طوّرنا خوارزمية تتبع معتمدة على البيانات التشغيلية لتتبع محيطات الأشياء. بالإضافة إلى ذلك، نقترح تقنية التجميع المتعدد المقاييس للتجزئة (Multi-Scale Pooling Segmentation - MSP-Seg) كنموذج تجزئة أساسي لـ WSMA-Seg لتحقيق تجزئة أكثر دقة وتعزيز دقة الكشف عن WSMA-Seg. تظهر النتائج التجريبية على عدة قواعد بيانات أن الطريقة المقترحة WSMA-Seg تتفوق على أفضل المكتشفات الحالية.