العينة المهمة لخرائط التحفيز المُوجَّهة للتصنيف في التجزئة المُشرَّفة ضعيفًا

يمكن استخدام الشبكات التصنيفية لتحديد موقع الكائنات وتقسيمها في الصور من خلال خرائط التنشيط الفئوي (CAMs). ومع ذلك، وبلا تسميات على مستوى البكسل، تُعرف الشبكات التصنيفية بأنها (1) تركز بشكل رئيسي على مناطق تمييزية، و(2) تُنتج خرائط CAM باهتة دون حدود تنبؤ واضحة. في هذه الدراسة، نعالج كلا المشكلتين من خلال مساهمتين لتحسين تعلّم خرائط التنشيط الفئوي. أولاً، ندمج عينة الأهمية المستندة إلى دالة كتلة الاحتمال الفئوية الناتجة عن خرائط CAM لتكوين تنبؤات صورية فئوية عشوائية على مستوى الصورة. وهذا يؤدي إلى خرائط CAM تُنشط على مساحة أوسع من الكائنات. ثانيًا، نصيغ مصطلح خسارة تشابه الميزات التي تهدف إلى مطابقة حدود التنبؤ مع الحواف في الصورة. كمساهمة ثالثة، نُجري تجارب على مجموعة بيانات التقييم PASCAL VOC 2012 لإظهار أن هذه التعديلات تُحسّن الأداء بشكل ملحوظ من حيث دقة الحدود، مع الحفاظ على أداء مماثل للأساليب الرائدة حالياً من حيث تشابه المنطقة.