إطار فك الارتباط التصنيفي للكشف عن الأشياء المميزة

للحصول على خرائط بؤرية أكثر دقة، تركز الطرق الحديثة بشكل أساسي على جمع الخصائص متعددة المستويات من الشبكة التلافيفية الكاملة (FCN) وتقديم معلومات الحواف كإشراف مساعد. رغم تحقيق تقدم ملحوظ، لوحظ أن كلما اقترب البكسل من الحافة، كان من الصعب التنبؤ به أكثر، نظرًا لتوزيع غير متوازن للغاية للبكسلات الحافة. لحل هذه المشكلة، نقترح إطار فصل العلامات (LDF) يتكون من إجراء فصل العلامات (LD) وشبكة تفاعل الخصائص (FIN). يقوم LD بتفكيك الخريطة البؤرية الأصلية صراحة إلى خريطة الجسم وخريطة التفاصيل، حيث تركز خريطة الجسم على المناطق المركزية للأجسام وتركز خريطة التفاصيل على المناطق حول الحواف. تعمل خريطة التفاصيل بشكل أفضل لأنها تتضمن بكسلات أكثر بكثير من الإشراف التقليدي للحافة. على عكس الخريطة البؤرية، فإن خريطة الجسم تتخلص من بكسلات الحافة وتركز فقط على المناطق المركزية. هذا يتجنب بنجاح تشتيت الانتباه من بكسلات الحافة أثناء التدريب. لذلك، نستخدم فرعين في FIN للتعامل مع خريطة الجسم وخريطة التفاصيل على حدة. يتم تصميم تفاعل الخصائص (FI) لدمج الفرعين المتكاملين لتنبؤ الخريطة البؤرية، والتي يتم استخدامها بعد ذلك لتحسين الفرعين مرة أخرى. يعتبر هذا التعديل المتكرر مفيدًا لتعلم تمثيلات أفضل وخرائط بؤرية أكثر دقة. أظهرت التجارب الشاملة على ستة مجموعات بيانات مرجعية أن LDF يتفوق على أفضل الطرق المتاحة في مختلف مقاييس التقييم.