Key points are not available for this paper at this time.
مؤخراً، أظهر نموذج تقسيم أي شيء (SAM) أداءً استثنائياً في توليد أقنعة أجسام عالية الجودة وتحقيق تقسيم الصور بدون تدريب مسبق. ومع ذلك، كنموذج رؤية متعدد الاستخدامات، يتم تدريب SAM بشكل أساسي باستخدام صور طبيعية عالية الحجم. في المشاهد تحت المائية، يحدث تدهور كبير في الأداء بسبب تشتت الضوء وامتصاصه. في الوقت نفسه، قد يؤدي بساطة قاطع SAM إلى فقدان تفاصيل الأجسام الدقيقة. لمعالجة القضايا المذكورة، نقترح إطار تعلم ميزات جديدة يسمى MAS-SAM لتقسيم الحيوانات البحرية، والذي يتضمن دمج محولات فعالة في مشفر SAM وبناء مفسر هرمي. بشكل أكثر تحديداً، نقوم أولاً ببناء مشفر جديد لـ SAM مع محولات فعالة للمشاهد تحت المائية. ثم نقدم وحدة استخراج هايبر ماب (HEM) لتوليد ميزات متعددة المقاييس لإرشاد شامل. أخيراً، نقترح مفسر تنبؤ متدرج (PPD) لتجميع الميزات متعددة المقاييس وتوقع نتائج التقسيم النهائية. عند التكامل مع وحدة انتباه الدمج (FAM)، تمكن طريقتنا من استخراج معلومات بحرية أغنى من الإشارات السياقية العالمية إلى التفاصيل المحلية الدقيقة. تُظهر تجارب شاملة على أربع مجموعات بيانات MAS العامة أن MAS-SAM يمكن أن تحقق نتائج أفضل من طرق التقسيم النموذجية الأخرى. الكود المصدر متاح على https://github.com/Drchip61/MAS-SAM.
درس يان وآخرون (الجمعة) هذا السؤال.