تحسين التجزئة المشتركة للصورة من خلال التعلم العميق للمسافة

يُعد التعلم العميق للمتر (DML) مفيدًا في المهام المتعلقة بالرؤية الحاسوبية. في هذه الورقة، نُقدّم أولًا تطبيق التعلم العميق للمتر على تجزئة الصور المشتركة (Image Co-segmentation). ونُقدّم خسارة ثلاثية جديدة مخصصة لتجزئة الصور، وتُعرف اختصارًا بـ IS-Triplet Loss، ونُدمجها مع خسارة تجزئة الصور التقليدية. على عكس المهمة العامة للتعلم العميق للمتر التي تهدف إلى تعلم متر بين الصور، نُعامل كل بكسل كعينة، ونستخدم ميزاته المُدمجة في الفضاء عالي الأبعاد لتكوين مجموعات ثلاثية، ثم نسعى إلى جعل المسافة بين البكسلات المنتمية إلى فئات مختلفة أكبر من المسافة بين البكسلات المنتمية إلى نفس الفئة من خلال تحسين خسارة IS-Triplet، وذلك لتسهيل التمييز بين البكسلات المنتمية إلى فئات مختلفة في الفضاء المميز عالي الأبعاد. كما نُقدّم استراتيجية فعّالة لاختيار المجموعات الثلاثية لضمان إمكانية الحساب العملي لخسارة IS-Triplet. وأخيرًا، ندمج خسارة IS-Triplet مع ثلاث خسائر تقليدية لتجزئة الصور لإنجاز مهمة تجزئة الصور. ونُطبّق الطريقة المقترحة على تجزئة الصور المشتركة، ونُختبرها على مجموعة بيانات SBCoseg ومجموعة بيانات الإنترنت. وأظهرت النتائج التجريبية أن النهج المقترح يمكنه تحسين التمييز بين فئات البكسلات في الفضاء عالي الأبعاد بشكل فعّال، وبالتالي يُسهم في تحسين أداء خسائر التجزئة التقليدية في تجزئة الصور، وباستخدام عدد أقل من دورات التدريب.