DeFusionNET: الكشف عن الضبابية الناتجة عن عدم التركيز من خلال دمج وتعميق متكرر للسمات العميقة متعددة المقاييس
تميل الكشف عن الضبابية الناتجة عن عدم التركيز إلى تحديد المناطق غير التركيزية في الصورة. وعلى الرغم من الاهتمام المتزايد به بفضل تطبيقاته الواسعة، لا يزال الكشف عن الضبابية الناتجة عن عدم التركيز يواجه عدة تحديات، مثل تداخل العوامل الخلفية، الحساسية تجاه المقاييس، وفقدان التفاصيل الحدية للمناطق المتأثرة بالضبابية. ولمعالجة هذه المشكلات، نقترح شبكة عصبية عميقة تقوم بدمج وتحسين تكراري للخصائص العميقة متعددة المقاييس (DeFusionNet) للكشف عن الضبابية الناتجة عن عدم التركيز. نبدأ باستخدام شبكة متعددة التحويلات الكاملة لاستخراج الخصائص العميقة متعددة المقاييس. حيث تُمكّن الخصائص المستخرجة من الطبقات السفلية من التقاط خصائص منخفضة المستوى غنية بالتفاصيل، مما يسهم في الحفاظ على التفاصيل الدقيقة، بينما تُمكّن الخصائص المستخرجة من الطبقات العليا من تمثيل المعلومات الدلالية، مما يساعد في تحديد مناطق الضبابية. تُدمج هذه الخصائص من الطبقات المختلفة على التوالي كخصائص سطحية وخصائص دلالية. بعد ذلك، تُنقل الخصائص السطحية المدمجة إلى الطبقات العليا لتحسين التفاصيل الدقيقة في المناطق المكتشفة، بينما تُنقل الخصائص الدلالية المدمجة إلى الطبقات السفلية لمساعدة في تحديد مناطق الضبابية بشكل أفضل. ويتم تنفيذ عملية دمج الخصائص وتحسينها بشكل تكراري. علاوة على ذلك، نقوم في النهاية بدمج مخرجات كل طبقة في المرحلة التكرارية الأخيرة لاستخلاص الخريطة النهائية للضبابية الناتجة عن عدم التركيز، مع أخذ الحساسية تجاه المقاييس في الاعتبار. أجرينا تجارب على مجموعتي بيانات معياريتين شائعتين للكشف عن الضبابية الناتجة عن عدم التركيز، لتأكيد تفوق DeFusionNet مقارنة بعشرة منافسين آخرين. يمكن العثور على الكود والنتائج الإضافية من خلال: http://tangchang.net