Key points are not available for this paper at this time.
تدور أعمالنا حول الكشف عن الأجسام في الاستشعار عن بعد، حيث يشكل نقص المعلومات التوضيحية تحديًا كبيرًا ويعيق التدريب الكافي. لمعالجة هذه المشكلة، نركز على طرق الكشف عن الأجسام شبه المشرفة (SSOD)، التي تقدم حلاً واعدًا لتخفيف مشكلة نقص معلومات التسميات. ومع ذلك، في سيناريو محدد لدينا، طبيعة التدريب الذاتي لهذه الطرق، مقترنة بآلية تصفية الإطارات ذات التسميات الزائفة، تميل إلى تضخيم الضوضاء بسبب دوران الزاوية التعسفي لبيانات الأجسام الاستشعار عن بعد. في ضوء هذه التحديات، نقترح إطار عمل جديد محدد لمهام الاستشعار عن بعد يسمى مكتشفات التقسيم (SLD)، الذي يقلل من تراكم الضوضاء الناتج عن خصائص بيانات الاستشعار عن بعد. يحتوي SLD على الابتكارات التالية: (1) يفصل SLD المكتشفات، مما يقلل من تضارب المهام وبالتالي يقلل من تراكم الضوضاء. (2) يستخدم SLD طريقة المعلم المتوسط شبه المراقب لتدريب رأس التصنيف وطريقة التدريب الذاتي لرأس الانحدار على التوالي، مما يقلل من خطأ الإحداثيات الزائفة غير الدقيقة الناتجة عن الدوران. تظهر التجارب على مجموعات بيانات dota-split التفوق الكبير لإطار العمل المقترح لدينا مقارنة بأحدث الأساليب.
درس تشين وآخرون (Sat,) هذا السؤال.
Synapse has enriched one closely related paper. Consider it for comparative context: