التحليل التمييزي الضعيف العام للصورة من خلال التعلم التمييزي من بكسل إلى قطعة

يتطلب التجزئة المُراقبة بشكل ضعيف تعيين تسمية لكل بكسل بناءً على أمثلة تدريبية تحتوي على تسميمات جزئية مثل العلامات على مستوى الصورة، أو مربعات حدود الكائنات، أو نقاط مُعلمة، أو خطوط مرسومة يدويًا. يُعد هذا المهمة صعبة، إذ أن التسميمات الخشنة (مثل العلامات أو المربعات) تفتقر إلى تحديد دقيق للموقع البكسيلي، بينما تفتقر التسميمات النادرة (مثل النقاط أو الخطوط) إلى تغطية واسعة للمناطق. تعامل الطرق الحالية هذين النوعين من المراقبة الضعيفة بشكل مختلف: تُستخدم خرائط التفعيل الفئة لتحديد مواقع التسميمات الخشنة وتحديث نموذج التجزئة بشكل تكراري، في حين تُستخدم الحقول العشوائية الشرطية لنقل التسميمات النادرة إلى كامل الصورة.نُصِف التجزئة المُراقبة بشكل ضعيف كمشكلة تعلم مترية شبه مُراقبة، حيث يجب أن تُرَمَز البكسلات ذات المعاني نفسها (المختلفة) إلى ميزات متماثلة (مميزة). نقترح أربع أنواع من العلاقات التباينية بين البكسلات والمقاطع في فضاء الميزات، تُجسّد التشابه على المستوى المنخفض للصورة، والتسميمات المعنية، والتكرار المشترك، والانسجام المميز. تعمل هذه العلاقات كمُعطيات أولية؛ حيث يمكن تعلم الميزات على مستوى البكسل من خلال صور التدريب التي تحتوي على أي نوع من التسميمات الجزئية بطريقة تعتمد على البيانات. وبشكل خاص، تشارك البكسلات غير المُعلمة في صور التدريب ليس فقط في الت regrouping المبني على البيانات داخل كل صورة، بل أيضًا في تعلم الميزات التمييزية داخل الصور وعبر الصور المختلفة. نقدّم مُجزّئًا ضعيف المراقبة عامًا يحقق تحسينات كبيرة على مجموعتي بيانات Pascal VOC وDensePose. تم إتاحة الشفرة المصدرية للنموذج عبر الرابط: https://github.com/twke18/SPML.