Key points are not available for this paper at this time.
حقق تجزئة الكائنات في صور الاستشعار عن بعد تقدمًا كبيرًا مؤخرًا في العديد من المجالات، مثل النقل والموارد الطبيعية والبيئة، وغيرها. قامت العديد من الأعمال بشكل أساسي بتنفيذ تجزئة الكائنات في وضع إشراف كامل. ومع ذلك، فإن تدريب النماذج في هذا الوضع يحتاج عادةً إلى إعداد تعليقات ضخمة، مما يعتبر عملًا مكلفًا ويتطلب وقتًا طويلاً. في هذه الورقة، نقترح شبكة جديدة شبه مشروطة لتجزئة الكائنات في صور الاستشعار عن بعد، والتي تتغذى فقط على كمية صغيرة من البيانات المعلّمة وكمية أكبر نسبيًا من البيانات غير المعلّمة. بدلاً من استخدام نفس البنية المعمارية كالأعمال شبه المشروطة السابقة، نستفيد من شبكتين ببنى معمارية مختلفة، أي شبكة CNN وTransformer، كنماذج للإشراف المتبادل. علاوة على ذلك، تم تقديم ثلاثة أنواع من دوال الخسارة، وهي خسارة الإشراف الكامل، وخسارة الإشراف المتبادل، وخسارة التناسق، لتعزيز متانة النموذج. تم تقييم فعالية طريقتنا المقترحة على مجموعتين من بيانات الاستشعار عن بعد المعلّمة، متفوقة على عدة أساليب شبه مشروطة من الطراز الحديث.
درس Zhang وآخرون (Thu،) هذا السؤال.
Synapse has enriched one closely related paper. Consider it for comparative context: