تحسين تنوع كاشفات الضبابية غير التركيز من خلال الشبكة المتقاطعة المجمعة

كشف تشويش التركيز (DBD) يُعد موضوعًا أساسيًا لكنه يواجه تحديات كبيرة، نظرًا لعدم وضوح المناطق المتجانسة، والانتقال التدريجي من المنطقة المركزة إلى المنطقة غير المركزة. وقد حققت الطرق الحديثة لـ DBD تقدمًا من خلال استكشاف شبكات أعمق أو أوسع، ولكن بتكلفة عالية من حيث الذاكرة والحساب. في هذا البحث، نقترح استراتيجية تعلم جديدة من خلال تقسيم مشكلة DBD إلى عدد من كاشفات تشويش التركيز الصغيرة، مما يسمح بتعويض أخطاء بعضها البعض. ويركز عملنا على تعزيز التنوع من خلال الشبكة المجمعة المتقاطعة (Cross-ensemble Network). بشكل محدد، نصمم شبكة من النهاية إلى النهاية مكوّنة من جزأين منطقيين: شبكة استخراج الميزات (FENet) وشبكة كاشف تشويش التركيز المجمعة المتقاطعة (DBD-CENet). تُبنى FENet لاستخراج الميزات من الدرجة الدنيا. ثم تُقدَّم هذه الميزات إلى DBD-CENet التي تحتوي على فرعين متوازيين لتعلم مجموعتين من كاشفات تشويش التركيز. ولكل كاشف فردي، نصمم ارتباطات عكسية متقاطعة وارتباطات عكسية ذاتية، بالإضافة إلى دالة خطأ لتعزيز التنوع في التجميع وموازنة دقة كل كاشف فردي. في النهاية، تُجمَع كاشفات تشويش التركيز المتعددة باستخدام متوسط موزّع بالتساوي للحصول على الخريطة النهائية لـ DBD. تُظهر النتائج التجريبية تفوق طريقةنا من حيث الدقة والسرعة مقارنةً بعدة طرق حديثة متميزة.