تعلم الحدود عن طريق التحسين مع قيود طوبوغرافية

أظهرت الدراسات الحديثة أن التعلم الآلي يمكن أن يحسن دقة اكتشاف حدود الأجسام في الصور. في النهج القياسي، يتم تدريب كاشف الحدود عن طريق تقليل اختلافه على مستوى البكسل مع تتبع الحدود البشرية. هذه المقياس الساذج يعتبر إشكالي لأنه حساس بشكل مفرط لمواقع الحدود. يتم حل هذه المشكلة بواسطة المقاييس المقدمة من مجموعة بيانات تجزئة بيركلي، ولكن يمكن أن تكون غير حساسة للاختلافات الطوبوغرافية، مثل الفجوات في الحدود. علاوة على ذلك، لم تكن مقاييس بيركلي مفيدة كدوال تكلفة للتعلم الخاضع للإشراف. باستخدام مفاهيم من الطوبوغرافيا الرقمية، نقترح مقياسًا جديدًا يسمى خطأ التشويه الذي يتحمل الاختلافات على موقع الحدود، ويعاقب الاختلافات الطوبوغرافية، ويمكن استخدامه مباشرة كدالة تكلفة لتعلم كشف الحدود، في طريقة نسميها تعلم الحدود عن طريق التحسين مع قيود طوبوغرافية (BLOTC). قمنا بتدريب كواشف الحدود على صور المجهر الإلكتروني للعصبونات، باستخدام كل من BLOTC والتدريب القياسي. أنتجت BLOTC أداءً أفضل بكثير على مجموعة اختبار تتكون من 1.2 مليون بكسل، كما تم قياسه بواسطة كل من خطأ التشويه ومؤشر ران الذي تم تقييمه على التجزئات الناتجة من تسميات الحدود. نجد أيضًا أن طريقتنا تحقق أداءً أفضل بكثير في التجزئة من أي من gPb-OWT-UCM أو القطع المعاير متعدد المقاييس، بالإضافة إلى تعلم الحواف المعزز المدرب مباشرة على بياناتنا.