Key points are not available for this paper at this time.
تقدم تقنيات تقسيم الصور المعتمدة على scribble والمراقبة الضعيفة أداءً مماثلاً للطرق المراقبة بالكامل مع تقليل تكاليف التوضيح بشكل كبير، مما يجعلها بديلاً جذابًا. تعتمد الأساليب الحالية غالبًا على مهام مساعدة لفرض التناسق الدلالي وتستخدم علامات زائفة صعبة للإشراف. ومع ذلك، تتجاهل هذه الأساليب في كثير من الأحيان المتطلبات الفريدة للنماذج المدربة على توضيحات متفرقة. نظرًا لأن النموذج يجب أن يتنبأ بخريطة تقسيم عند مستوى البكسل مع توضيحات محدودة، فإن القدرة على التعامل مع مستويات متغيرة من ثراء التوضيح أمر حاسم. في هذه الورقة، نعتمد مبدأ "من القليل إلى الكثير" ونقترح MaCo، وهو إطار عمل مُشرف ضعيف مصمم لتقسيم الصور الطبية. يستخدم MaCo نمذجة السياق المموه (MCM) وعلامات زائفة مستمرة (CPL). تستخدم MCM استراتيجية تمييز قائمة على الانتباه لتعطيل صورة الإدخال، مما يجبر تنبؤات النموذج على البقاء متناسقة مع تلك الخاصة بالصورة الأصلية. تقوم CPL بتحويل توضيحات scribble إلى علامات مستمرة عند مستوى البكسل من خلال تطبيق وظيفة انحلال أسي على خرائط المسافة، مما يؤدي إلى خرائط مستمرة تمثل ثقة كل بكسل في الانتماء إلى فئة معينة، بدلاً من استخدام علامات زائفة صعبة. نقوم بتقييم MaCo مقابل طرق مراقبة ضعيفة أخرى باستخدام ثلاث مجموعات بيانات عامة. تشير النتائج إلى أن MaCo يتفوق على الأساليب المنافسة عبر جميع مجموعات البيانات، مسجلاً رقمًا قياسيًا جديدًا في تقسيم الصور الطبية بالإشراف الضعيف.
درس وانغ وآخرون (الخميس) هذا السؤال.