يقدم تفتيش عيوب العوازل الدقيقة من صور الطائرات المسيرة عالية الدقة تحدياً خوارزمياً كبيراً. إن التباين الشديد في المقياس بين الصور عالية الدقة ومدخلات النموذج منخفضة الدقة غالباً ما يؤدي إلى تشويه الخصائص للأهداف المنتشرة بشكل نادر. لمعالجة هذه المشكلات، يقترح هذا البحث إطار عمل تعاوني متكامل بين البيانات والنموذج. على مستوى البيانات، تم تقديم استراتيجية تقسيم مثالية موجهة بالتصنيفات (LGOT) لتخفيف التباين في المقياس من خلال إعداد بلاطات تدريب كثيفة المعلومات. على مستوى النموذج، نعمل على تصميم رأس كشف مدفوع بالمعلومات السابقة نصف المفصولة (SDPD-Head)، والذي يستفيد من المعلومات السابقة التطورية لتثبيت تعلم الخصائص المكانية المجهرية. أثناء الاستنتاج، يتم استخدام استراتيجية تقسيم تكييفية زمن الاستنتاج (ITAT) لمطابقة توزيع المقياس المكاني بين التدريب والاستنتاج ولتقليل فقد المزايا الناتج عن التقليل المباشر. تظهر التجارب على مجموعة بيانات تفتيش في العالم الحقيقي أن الإطار المقترح يحقق دقة متوسطة بقدر 92.9% مع 2.17 مليون معلمة و4.7 GFLOPs.
درس زو وآخرون (السبت) هذا السؤال.