HyperAIHyperAI

Command Palette

Search for a command to run...

استكشاف البروتوتايب المُحدَّد بالصورة ذاتية التعلّم للتقسيم الدلالي المُراقب ضعيفًا

Qi Chen Lingxiao Yang Jianhuang Lai Xiaohua Xie

الملخص

التحليل الشكلي المُراقب بشكل ضعيف (WSSS) المستند إلى تسميات على مستوى الصورة قد لاقى اهتمامًا كبيرًا بفضل تكاليف التسمية المنخفضة. تعتمد الطرق الحالية غالبًا على خريطة التنشيط الفئة (CAM)، التي تقيس الارتباط بين بكسلات الصورة وأوزان المصنف. ومع ذلك، فإن المصنف يركز فقط على المناطق التمييزية، بينما يتجاهل المعلومات المفيدة الأخرى في كل صورة، مما يؤدي إلى خرائط تعيين غير كاملة. لمعالجة هذه المشكلة، نقترح طريقة استكشاف بروتوكول ذاتي مخصص للصورة (SIPE)، والتي تتضمن استكشاف بروتوكول مخصص للصورة (IPE) ووظيفة فقدان اتساق عام-محدد (GSC). بشكل خاص، يُعد IPE تخصيص بروتوكولات لكل صورة لالتقاط المناطق الكاملة، ويُنتج ما نسميه خريطة تنشيط مخصصة للصورة (IS-CAM)، والتي تُنفَّذ عبر خطوتين متتاليتين. علاوةً على ذلك، تم اقتراح GSC لبناء اتساق بين خريطة التنشيط العامة وIS-CAM المخصصة لدينا، مما يُحسّن تمثيل الميزات بشكل إضافي ويمنح قدرة التصحيح الذاتي على استكشاف البروتوكولات. أُجريت تجارب واسعة على معايير التحليل الشكلي PASCAL VOC 2012 وMS COCO 2014، وأظهرت النتائج أن SIPE تحقق أداءً جديدًا من أعلى المستويات باستخدام فقط تسميات على مستوى الصورة. يمكن الوصول إلى الكود عبر الرابط: https://github.com/chenqi1126/SIPE.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp