تعدين الحالات الكاملة للتمييز الشاهد بضعف الإشراف

التمييز بين الحالات باستخدام الإشراف الضعيف (WSIS) من خلال استخدام تسميات على مستوى الصورة فقط هو مهمة صعبة بسبب صعوبة مواءمة التسميات الخشنة مع المهمة الأدق. ومع ذلك، بفضل تقدم الشبكات العصبية العميقة (DNNs)، حظي WSIS باهتمام كبير. وفقًا للنموذج القائم على الاقتراحات، نواجه مشكلة الفائض في التجزئة الناتجة عن تمثيل حالة واحدة بواسطة اقتراحات متعددة. على سبيل المثال، عند إدخال صورة لكلب واقتراحات إلى الشبكة، نتوقع أن يخرج الشبكة اقتراح واحد يحتوي على الكلب، ولكن الشبكة تخرج اقتراحات متعددة. لحل هذه المشكلة، نقترح نهجًا جديدًا لـ WSIS يركز على تحسين الحالتين الكاملتين عبر الإنترنت من خلال استخدام رؤوس MaskIoU لتوقع درجات سلامة الاقتراحات واستراتيجية استخراج الحالتين الكاملتين (CIM) لنمذجة مشكلة الفائض في التجزئة بشكل صريح وإنتاج تسميات زائفة مُحدَّثة. يتيح نهجنا للشبكة أن تكون على دراية بالحالات المتعددة والحالات الكاملة، ونحسن قوتها من خلال دمج استراتيجية مقاومة الضوضاء. أظهرت التقييمات التجريبية على مجموعتي البيانات PASCAL VOC 2012 و MS COCO أن طريquetنا تحقق أداءً عاليًا للغاية بفارق ملحوظ. سيتم توفير تنفيذنا على الرابط https://github.com/ZechengLi19/CIM.请注意，最后一句中的"quat"可能是打字错误，应该是"method"。以下是修正后的翻译：أظهرت التقييمات التجريبية على مجموعتي البيانات PASCAL VOC 2012 و MS COCO أن طريقة نهجنا تحقق أداءً عاليًا للغاية بفارق ملحوظ. سيتم توفير تنفيذنا على الرابط https://github.com/ZechengLi19/CIM.