التعلم القائم على انتشار الرسم البياني للارتباط في التصنيف الصنفي الدقيق للصور المُراقبة ضعيفًا

المفتاح الرئيسي لتصنيف الصور الدقيقة المُراقبة بشكل ضعيف (WFGIC) يتمثل في كيفية استخلاص المناطق التمييزية وتعلم السمات التمييزية منها. ومع ذلك، فإن معظم الطرق الحديثة لـ WFGIC تستخلص المناطق التمييزية بشكل مستقل وتستخدم ميزاتها مباشرة، مع إغفال حقيقة أن ميزات المناطق مترابطة معًا من حيث المعنى، وأن مجموعات المناطق يمكن أن تكون أكثر تمييزًا. ولحل هذه المشكلات، نقترح نموذجًا قائمًا على انتشار الرسم البياني (GCL) متكاملًا من البداية إلى النهاية، بهدف استغلال الإمكانات التمييزية الكاملة للارتباطات بين المناطق في تصنيف الصور الدقيقة المُراقبة بشكل ضعيف. وبشكل محدد، في مرحلة تحديد مواقع المناطق التمييزية، نقترح شبكة فرعية تُسمى "انتشار الرسم البياني المتقاطع (CGP)" لتعلم الارتباطات بين المناطق، حيث تُنشئ ارتباطات بين المناطق ثم تعزز كل منطقة من خلال تجميع موزون للمناطق الأخرى بطريقة متقاطعة. وبهذا، تُشتمل تمثيلات كل منطقة على السياق ذي المستوى الصوري العام والسياق المكاني المحلي في آنٍ واحد، مما يوجه الشبكة ضمنيًا لاستكشاف مجموعات من المناطق التمييزية الأقوى لتصنيف الصور الدقيقة المُراقبة بشكل ضعيف. وفي مرحلة تمثيل السمات التمييزية، نقترح شبكة فرعية تُسمى "تعزيز السمات الارتباطية (CFS)" لاستكشاف الارتباطات الدلالية الداخلية بين متجهات السمات الخاصة بالمناطق التمييزية، بهدف تعزيز قدرتها التمييزية من خلال تحسين العناصر المفيدة بشكل تكراري مع قمع العناصر غير المفيدة. وأظهرت التجارب الواسعة فعالية الشبكات الفرعية المقترحة (CGP وCFS)، كما أظهرت أن نموذج GCL يحقق أداءً أفضل من حيث الدقة والكفاءة.