السياق المسبق للفصل السيني

تم استكشاف الاعتماد على السياق بشكل واسع في الأعمال الحديثة لتحقيق نتائج تقسيم أكثر دقة. ومع ذلك، فإن معظم النماذج لا تميز بشكل كافٍ بين أنواع مختلفة من الاعتماد السياقي، مما قد يُشوّش على فهم المشهد. في هذا العمل، نُشرّح مباشرة عملية تجميع الميزات لتمييز السياق الداخلي للصنف والسياق بين الأصناف بشكل واضح. بشكل محدد، نطوّر طبقة "السياق الأولي" (Context Prior) باستخدام خسارة الارتباط (Affinity Loss) كمُوجّه. مع إدخال صورة مُدخلة والصورة الحقيقية المقابلة لها، تقوم خسارة الارتباط ببناء خريطة ارتباط مثالية لمواكبة تعلّم السياق الأولي. يُستخرج من السياق الأولي المُتعلم بكفاءة النقاط التي تنتمي إلى نفس الفئة، بينما يركّز السياق العكسي على النقاط المنتمية إلى فئات مختلفة. عند دمج هذه الطبقة في شبكة عصبية عميقة تقليدية، تُمكن طبقة السياق الأولي المقترحة من التقاط الاعتماد السياقي الداخلي للصنف والاعتماد السياقي بين الأصناف بشكل انتقائي، مما يؤدي إلى تمثيل مميزات قوي. لاختبار الفعالية، صممنا شبكة سياق أولي فعّالة (CPNet). تُظهر التقييمات الكمية والكيفية الواسعة أن النموذج المقترح يتفوّق على أحدث الطرق في تقسيم المعنى. وبشكل أكثر تفصيلًا، حقق خوارزميتنا 46.3% من متوسط دقة التداخل (mIoU) على مجموعة ADE20K، و53.9% على PASCAL-Context، و81.3% على Cityscapes. يُمكن الوصول إلى الكود من خلال الرابط: https://git.io/ContextPrior.