التعلم القليل ذاتي التحفيز للتقسيم الدلالي: نهج خالٍ من التسمية التوضيحية

يُعد التجزئة الشاملة القائمة على عدد قليل من الأمثلة (FSS) أحد الاحتمالات الواعدة في مجال تحليل الصور الطبية، حيث يمكّن من تجزئة الكائنات بدقة باستخدام كميات محدودة من البيانات التدريبية. ومع ذلك، تعتمد التقنيات الحالية لـ FSS بشكل كبير على الفئات المُعلَّمة دلالياً، مما يجعلها غير مناسبة للصور الطبية نظراً لقلة توفر التصنيفات. ولحل هذه التحديات، تم اقتراح عدة مساهمات: أولاً، مستوحاة من أساليب التحليل الطيفي، يتم إعادة صياغة مشكلة تجزئة الصور كمهمة تقسيم رسم بياني. ويتم تحليل المتجهات الذاتية لمصفوفة لابلاس، التي تُستخلص من مصفوفة الارتباط المميزة للشبكات ذات التعلم التلقائي، لتقدير توزيع الكائنات المطلوبة استناداً إلى الصور الداعمة. ثانياً، نقترح إطاراً جديداً لـ FSS ذات التعلم التلقائي لا يعتمد على أي تسميات. بدلًا من ذلك، يُقدّر قناع الاستعلام بشكل تكيفي باستخدام المتجهات الذاتية المستخلصة من الصور الداعمة. ويُعد هذا النهج مُحرّراً من الحاجة إلى التسميات اليدوية، مما يجعله مناسباً بشكل خاص للصور الطبية التي تفتقر إلى كميات كبيرة من التصنيفات. ثالثاً، لتعزيز إمكانية فك تشفير الصورة المستجيبة استناداً إلى المعلومات المقدمة من الصورة الداعمة، نُقدّم وحدة انتباه ذات نواة كبيرة متعددة المقاييس. وباستخدام التأكيد المُختار على الميزات والتفاصيل ذات الصلة، تحسّن هذه الوحدة عملية التجزئة وتساهم في توضيح أفضل للحدود الكائنية. وتشير التقييمات المُنفّذة على مجموعتي بيانات طبيعية وطبية إلى كفاءة وفعالية طريقة العمل المقترحة. علاوةً على ذلك، يتميّز النهج المُقترح بكونه عاماً ومستقلاً عن النموذج، مما يسمح بدمجه بسلاسة مع مختلف البنى العميقة. ويُمكن الوصول إلى الكود المصدر بشكل عام عبر الرابط التالي: \href{https://github.com/mindflow-institue/annotation_free_fewshot}{\textcolor{magenta}{GitHub}}.