FactSeg: التجزئة الدلالية للأجسام الصغيرة الموجهة بتنشيط الخلفية في الصور الساتلية ذات المقياس الكبير

تهدف مهمة التجزئة الدلالية للأجسام الصغيرة إلى استخلاص الكائنات الأساسية تلقائيًا من صور الاستشعار عن بعد عالية الدقة (HRS). مقارنةً بالمساحات الواسعة التي تغطيها صور الاستشعار عن بعد، فإن الكائنات الأساسية مثل السيارات والبواخر في صور HRS غالبًا ما تحتوي على عدد قليل جدًا من البكسلات. في هذه الورقة، لمعالجة هذه المشكلة، تم اقتراح إطار عمل جديد يُدعى FactSeg، وهو إطار تجزئة دلالية للأجسام الصغيرة مدفوع بالتحفيز الأمامي (Foreground Activation - FA)، وذلك من منظورين: التصميم البنائي والتحسين. في تصميم البنية، تم اقتراح تمثيل الكائنات باستخدام FA لتعزيز الوعي بالسمات الضعيفة المميزة للأجسام الصغيرة. ويتكوّن إطار تمثيل الكائنات باستخدام FA من فرع مزدوج (dual-branch) في المعالج العكسي (decoder) ودالة خسارة متعاونة (Collaborative Probability - CP). في الفرع المزدوج، تم تصميم الفرع المُحفّز (FA) لتنشيط سمات الأجسام الصغيرة (التحفيز) وتقليل تأثير الخلفية الواسعة النطاق، في حين تم تصميم الفرع المُحسّن دلاليًا (Semantic Refinement - SR) لتمييز الأجسام الصغيرة بشكل أدق (التحسين). كما تم اقتراح دالة الخسارة CP لدمج فعّال بين نواتج التنشيط والتحسين في المعالج العكسي ضمن فرضية التكامل المتعاون. أثناء التعاون، يتم تعزيز السمات الضعيفة للأجسام الصغيرة باستخدام ناتج التنشيط، في حين يمكن اعتبار الناتج المُحسّن كتحسين للنواتج الثنائية. وفي مرحلة التحسين، تم تطبيق تحسين الشبكة القائم على استخراج الأجسام الصغيرة (Small Object Mining - SOM) لاختيار عينات فعّالة تلقائيًا، مما يُحسّن اتجاه التحسين، ويعالج أيضًا مشكلة عدم التوازن في العينات بين الأجسام الصغيرة والخلفية الواسعة النطاق. أظهرت النتائج التجريبية المستمدة من استخدام مجموعتي بيانات معياريتين لتجزئة صور HRS أن الإطار المقترح يتفوّق على أحدث الأساليب في التجزئة الدلالية، ويحقق توازنًا جيدًا بين الدقة والكفاءة.