تحسين أداء المُقسِّمات الحالية باستخدام مُقسِّمات صفرية المُدخلات
{A. Pretto C. Fantozzi D. Fusaro L. Nanni}
الملخص
تستعرض هذه الورقة البحثية الإمكانات الكامنة لاستخدام مُقسّم SAM لتعزيز قدرات التجزئة لدى الطرق المعروفة. يُعدّ SAM نظام تجزئة قابل للتحفيز، ويتميز بقدرة التعميم الصفرية على الكائنات والصور غير المألوفة، مما يُلغِي الحاجة إلى تدريب إضافي. ويتيح الطبيعة المفتوحة المصدر لـ SAM على GitHub إمكانية الوصول إليه وتنفيذها بسهولة. في تجاربنا، نهدف إلى تحسين أداء التجزئة من خلال تزويد SAM بنقاط التوقف (checkpoints) المستخرجة من الأقنعة الناتجة عن DeepLabv3+، ثم دمج أقنعة التجزئة التي تقدمها هاتين الشبكتين. علاوةً على ذلك، ندرس طريقة "الملحِّظ" (التي تُعتبر حدّاً علويًا لقياس الأداء)، حيث يتم استخلاص أقنعة التجزئة من قبل SAM فقط باستخدام نقاط التوقف المستخرجة من البيانات الحقيقية (ground truth). وبالإضافة إلى ذلك، قمنا باختبار تجميع مُحَوِّلات PVTv2 على مجموعة بيانات CAMO، حيث أدى دمج هذا التجميع مع SAM إلى تحقيق أداءً يُعدّ من أفضل الأداء في تلك المجموعة. تُقدّم نتائج دراستنا رؤى قيمة حول الإمكانات الكامنة لدمج مُقسّم SAM في التقنيات الحالية للتجزئة. ونُطلق مع هذه الورقة تنفيذًا مفتوح المصدر لطريقة بحثنا.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| camouflaged-object-segmentation-on-camo | SAMFusion | MAE: 0.0560 Weighted F-Measure: 0.833 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.