دفاعًا عن الترقيم البصري الكسول للتمييز الدلالي ذو المفردات المفتوحة

نقدم تقنية التحديد البصري الكسول، وهي نهج ذو مرحلتين يشمل اكتشاف الأقنعة الكائنية بدون إشراف تليها عملية تحديد الكائنات، لتقسيم الصور الدلالي المفتوح. العديد من الأعمال السابقة تتعامل مع هذه المهمة كتصنيف من بكسل إلى نص دون فهم على مستوى الكائن، مستفيدةً من قدرة النماذج البصرية واللغوية المدربة مسبقًا على تصنيف الصور إلى نص. نحن نعتقد أن الكائنات البصرية يمكن تمييزها بدون معلومات النص السابقة، حيث أن التقسيم في جوهره هو مهمة بصرية. يكتشف التحديد البصري الكسول أولاً أقنعة الكائنات التي تغطي الصورة باستخدام عمليات القطع المُعَرَّفَة (Normalized cuts) المتكررة، ثم يقوم بتخصيص النص على الكائنات المكتشفة بطريقة تفاعلية متأخرة. لا يتطلب نموذجنا أي تدريب إضافي ومع ذلك يظهر أداءً ممتازًا على خمسة مجموعات بيانات عامة: Pascal VOC، Pascal Context، COCO-object، COCO-stuff، و ADE 20K. بشكل خاص، تُظهِر نتائج التقسيم الجذابة بصريًا قدرة النموذج على تحديد مواقع الكائنات بدقة.صفحة الورقة الرئيسية: https://cvlab.postech.ac.kr/research/lazygrounding