القيود المسبقة لدقة الصندوق الحددي في التقطيع الصوري تحت الإشراف الضعيف

يقدم هذا البحث طريقة تقسيم صور تحت إشراف ضعيف تستخدم شروط الحدود المغلقة بدقة. ويقترح البحث تعلم النماذج المتعددة العام (Generalized Multiple Instance Learning - MIL) وتقريب القيمة القصوى الناعم لدمج معلومات دقة الحدود المغلقة في الشبكة العصبية العميقة بطريقة شاملة من البداية إلى النهاية. في تعلم النماذج المتعددة العام، يتم تعريف الأكياس الإيجابية بخطوط متوازية متقاطعة بزوايا مختلفة، بينما يتم تعريف الأكياس السلبية كبكسلات فردية خارج أي حدود مغلقة. تم استخدام نوعين من تقريب القيمة القصوى الناعم، وهما دالة softmax-$α$ ودالة quasimax-$α$، للتغلب على عدم الاستقرار العددي الذي ينتج عن دالة القيمة القصوى للتنبؤ بالأكياس. تم تقييم الطريقة المقترحة على قاعدتين بيانات طبيتين عامتين باستخدام معامل Dice. أظهرت النتائج أن هذه الطريقة تتفوق على أفضل الأساليب الحالية. يمكن الوصول إلى الكود المصدر عبر الرابط \url{https://github.com/wangjuan313/wsis-boundingbox}.