تمثيل الخلفية الدقيق للتمييز الدلالي شبه المشرف عليه

توليد أقنعة وهمية موثوقة من العلامات على مستوى الصورة يعد تحديًا في مهمة التجزئة الدلالية شبه المراقبة (WSSS) بسبب نقص المعلومات المكانية. تواجه الحلول الشائعة المستندة إلى خرائط التنشيط الفئوي (CAM) صعوبة في تمييز الأشياء في المقدمة (FG) من البكسلات الخلفية المشبوهة (BG) (المعروفة أيضًا بالمشتركة) وتعلم المناطق الكاملة للأشياء. يقترح هذا البحث طريقة بسيطة لتمثيل الخلفية بدقة عالية (FBR) لاكتشاف وتمثيل معاني الخلفية المختلفة ومعالجة مشكلة المشتركة. نتخلى عن استخدام النموذج الفئوي أو الميزات على مستوى البكسل لتمثيل الخلفية، بدلاً من ذلك، نطور أولوية جديدة، وهي المنطقة ذات الاهتمام السلبي (NROI)، لالتقاط المعلومات الدلالية الدقيقة للخلفية وإجراء التباين بين البكسل وNROI لتمييز البكسلات الخلفية المربكة. كما نقدم استراتيجية عينة فعالة لتوفير سلبيات FG بشكل ديناميكي، مما يمكّن التعلم التبايني داخل FG بكفاءة بين البكسل والبكسل لتنشيط منطقة الجسم بأكملها. بفضل بساطة التصميم وسهولة الاستخدام، يمكن دمج الطريقة المقترحة بسلاسة في مختلف النماذج، مما يؤدي إلى تحقيق أفضل النتائج الحالية في ظروف WSSS المختلفة عبر مقاييس الأداء. باستخدام العلامات فقط على مستوى الصورة كإشراف، تحقق طريقتنا نتائج تجزئة بمتوسط تقاطع فوق الاتحاد (mIoU) قدره 73.2% و45.6% على مجموعتي اختبار Pascal Voc وMS COCO على التوالي. بالإضافة إلى ذلك، عند دمج خرائط الوضوح كإشارة إشراف إضافية (I+S)، نصل إلى نتيجة mIoU قدرها 74.9% على مجموعة اختبار Pascal Voc. وفي الوقت نفسه، تظهر طريقة FBR لدينا زيادة معنوية في أداء مهام التجزئة الإبداعية شبه المراقبة (WSIS)، مما يدل على متانتها وقدرتها القوية على التعميم عبر مجالات مختلفة.注释：- "negative region of interest" 翻译为 "المنطقة ذات الاهتمام السلبي" (NROI)- "class activation map" 翻译为 "خرائط التنشيط الفئوي" (CAM)- "weakly supervised semantic segmentation" 翻译为 "تجزئة دلالية شبه مراقبة" (WSSS)- "mean Intersection over Union" 翻译为 "متوسط تقاطع فوق الاتحاد" (mIoU)- "weakly-supervised instance segmentation" 翻译为 "تجزئة الإبداعيات شبه المراقبة" (WSIS)这些术语在括号中保留了英文缩写，以确保信息的完整性。