BoxInst: تقسيم النماذج بملاحظات الصناديق ذات الأداء العالي

نقدم طريقة ذات أداء عالٍ يمكنها تحقيق تقسيم النماذج على مستوى القناع باستخدام فقط ملاحظات الصندوق الحدودي للتدريب. رغم أن هذا الإعداد قد تم دراسته في الأدبيات العلمية، فإننا نظهر هنا أداءً أقوى بكثير بتصميم بسيط (مثل، تحسين كبير لدقة القناع المبلغ عنها سابقًا بنسبة 21.1% في دراسة Hsu et al. (2019) إلى 31.6% على مجموعة بيانات COCO). الفكرة الأساسية لدينا هي إعادة تصميم دالة الخسارة لتعلم القناعات في تقسيم النماذج، دون إجراء أي تعديل على شبكة التقسيم نفسها. يمكن للدوال الجديدة للخسارة أن تشرف على تدريب القناع دون الاعتماد على ملاحظات القناع. يتم تحقيق ذلك من خلال حدين للخسارة، وهما: 1) حد بديل يقلل من الاختلاف بين اسقاطات الصندوق الحدودي الحقيقي والقناع المتوقع؛ 2) خسارة زوجية تستغل الأولوية التي تشير إلى أن البكسلات المجاورة ذات الألوان المشابهة من المحتمل جداً أن تكون لها نفس تصنيف العلامة. تظهر التجارب أن إعادة تصميم دالة خسارة القناع يمكن أن تنتج قناع نموذج عالي الجودة باستخدام فقط ملاحظات الصندوق الحدودي. على سبيل المثال، بدون استخدام أي ملاحظات للقناع، وباستخدام هيكل ResNet-101 وجدول زمني للتدريب مدته 3 أضعاف، نحقق دقة قناع بنسبة 33.2% على تقسيم اختبار COCO test-dev (مقابل 39.1% للأقران الذين يستخدمون الإشراف الكامل). تشير نتائج التجارب الممتازة لدينا على COCO وPascal VOC إلى أن طريقتنا تضيق الفجوة في الأداء بشكل كبير بين تقسيم النماذج بإشراف ضعيف وإشراف كامل.الرمز متاح عند: https://git.io/AdelaiDet