{ Rynson W.H. Lau Guodong Wang Jiaying Lin}
الملخص
يُعدّ مشكلة اكتشاف المرآة مهمة نظرًا لأن المرآة يمكن أن تؤثر على أداء العديد من المهام المرئية. وتشكل هذه المشكلة صعوبة كبيرة نظرًا لاحتياجها إلى فهم دلاليات المشهد بشكل شامل. في الآونة الأخيرة، تم اقتراح طريقة للكشف عن المرآة من خلال تعلّم التباينات السياقية متعددة المستويات بين الداخل والخارج من المرآة، مما يساعد على تحديد حواف المرآة بشكل غير مباشر. ونلاحظ أن محتوى المرآة يعكس محتوى محيطها، المفصولة بحافة المرآة. ولذلك، نقترح في هذا البحث نموذجًا يتعلم تدريجيًا تشابه المحتوى بين الداخل والخارج من المرآة، مع الكشف الصريح عن حواف المرآة. تتمثل إسهاماتنا الرئيسية في نقطتين: أولاً، نقترح وحدة جديدة تُسمى "السياقية العلاقية المُتباينة المحلية" (RCCL) لاستخراج ومقارنة سمات المرآة مع سمات السياق المقابلة لها، بالإضافة إلى وحدة كشف الحواف والدمج (EDF) لتعلم سمات حواف المرآة في المشاهد المعقدة من خلال مراقبة صريحة. ثانيًا، ننشئ مجموعة بيانات معيارية صعبة تتضمن 6461 صورة للمرآة. وعلى عكس مجموعة بيانات MSD الموجودة حاليًا التي تتمتع بتنوع محدود، تغطي مجموعتنا المتنوعة مشاهدًا مختلفة، وهي أكبر حجمًا بكثير. تُظهر النتائج التجريبية أن نموذجنا يتفوق على الطرق المتطورة ذات الصلة.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| image-segmentation-on-msd-mirror-segmentation | PMD | F-measure: 0.892 IoU: 0.815 MAE: 0.047 |
| image-segmentation-on-pmd | PMD | F-measure: 0.794 IoU: 0.660 MAE: 0.032 |
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.