LOGCAN++: شبكة تكيفية محلية-عالمية واعية بالتصنيف لتقسيم المعنى للصور الاستشعار عن بعد

عادة ما تتميز صور الاستشعار عن بعد بخلفيات معقدة، وتغيرات في الحجم والتوجيه، وتفاوت كبير داخل الفئات. غالبًا ما تفشل طرق التجزئة الدلالية العامة في دراسة هذه القضايا بشكل كامل، وبالتالي تكون أداؤها محدودًا في تجزئة صور الاستشعار عن بعد. في هذا البحث، نقترح نموذجنا LOGCAN++، وهو نموذج تجزئة دلالية مخصص لصور الاستشعار عن بعد، يتكون من وحدة الوعي بالفئة العالمية (GCA) وعدة وحدات للوعي بالفئة المحلية (LCA). تقوم وحدة GCA با nabdh التقاط التمثيلات العالمية لنمذجة السياق على مستوى الفئة لتقليل تأثير ضوضاء الخلفية. أما وحدة LCA فتولد التمثيلات المحلية للفئات كعناصر إدراكية وسيطة للتواصل غير المباشر بين البكسل والتمثيلات العالمية للفئات، بهدف التعامل مع مشكلة التفاوت الكبير داخل الفئات. وبشكل خاص، نقدم تحويلات متآلفة في وحدة LCA للاستخراج المتكيف للتمثيلات المحلية للفئات لتتحمل بكفاءة تغيرات الحجم والتوجيه في الصور المستشعرة عن بعد. أظهرت التجارب الواسعة على ثلاثة مجموعات بيانات مرجعية أن نموذجنا LOGCAN++ يتفوق على الأساليب الرئيسية الحالية للتجزئة الدلالية العامة والاستشعار عن بعد ويحقق توازنًا أفضل بين السرعة والدقة. يمكن الحصول على الكود من https://github.com/xwmaxwma/rssegmentation.请注意，"nabdh" 一词在上文中是误输入，正确的翻译应该是：في هذا البحث، نقترح نموذجنا LOGCAN++، وهو نموذج تجزئة دلالية مخصص لصور الاستشعار عن بعد، يتكون من وحدة الوعي بالفئة العالمية (GCA) وعدة وحدات للوعي بالفئة المحلية (LCA). تقوم وحدة GCA باستخلاص التقاط التمثيلات العالمية لنمذجة السياق على مستوى الفئة لتقليل تأثير ضوضاء الخلفية.为了保证准确性，这里提供修正后的完整翻译：عادة ما تتميز صور الاستشعار عن بعد بخلفيات معقدة، وتغيرات في الحجم والتوجيه، وتفاوت كبير داخل الفئات. غالبًا ما تفشل طرق التجزئة الدلالية العامة في دراسة هذه القضايا بشكل كامل، وبالتالي تكون أداؤها محدودًا في تجزئة صور الاستشعار عن بعد. في هذا البحث، نقترح نموذجنا LOGCAN++، وهو نموذج تجزئة دلالية مخصص لصور الاستشعار عن بعد، يتكون من وحدة الوعي بالفئة العالمية (GCA) وعدة وحدات للوعي بالفئة المحلية (LCA). تقوم وحدة GCA باستخلاص التقاط التمثيلات العالمية لنمذجة السياق على مستوى الفئة لتقليل تأثير ضوضاء الخلفية. أما وحدة LCA فتولد التمثيلات المحلية للفئات كعناصر إدراكية وسيطة للتواصل غير المباشر بين البكسل والتمثيلات العالمية للفئات، بهدف التعامل مع مشكلة التفاوت الكبير داخل الفئات. وبشكل خاص، نقدم تحويلات متآلفة في وحدة LCA للاستخراج المتكيف للتمثيلات المحلية للفئات لتتحمل بكفاءة تغيرات الحجم والتوجيه في الصور المستشعرة عن بعد. أظهرت التجارب الواسعة على ثلاثة مجموعات بيانات مرجعية أن نموذجنا LOGCAN++ يتفوق على الأساليب الرئيسية الحالية للتجزئة الدلالية العامة والاستشعار عن بعد ويحقق توازنًا أفضل بين السرعة والدقة. يمكن الحصول على الكود من https://github.com/xwmaxwma/rssegmentation.