Key points are not available for this paper at this time.
أظهرت الشبكات العصبية التلافيفية بالكامل (FCNs) أداءً متميزًا في العديد من مشكلات التوسيم الكثيف. أحد الأعمدة الرئيسية لهذه النجاحات هو استخراج المعلومات ذات الصلة من الميزات في الطبقات التلافيفية. ومع ذلك، فإن كيفية تجميع خرائط الميزات التلافيفية متعددة المستويات بشكل أفضل للكشف عن الأشياء البارزة لم تُستكشف بشكل كافٍ. في هذا العمل، نقدم التعويذة، وهي إطار عمل عام لتجميع الميزات التلافيفية متعددة المستويات للكشف عن الأشياء البارزة. يقوم إطار عملنا أولاً بدمج خرائط الميزات متعددة المستويات في دقتها المتعددة، مما يتضمن في الوقت نفسه المعاني العامة والتفاصيل الدقيقة. ثم يتعلم بشكل تكيّفي دمج هذه الخرائط في كل دقة وتوقع خرائط البروز مع الميزات المجمعة. أخيرًا، يتم دمج النتائج المتوقعة بكفاءة لتوليد خريطة البروز النهائية. بالإضافة إلى ذلك، لتحقيق استدلال دقيق على الحدود وتعزيز دلالي، يتم تضمين خرائط الميزات المعروفة بالحدود في الطبقات المنخفضة ونتائج الميزات منخفضة الدقة بشكل متكرر في إطار التعلم. من خلال تجميع الميزات التلافيفية متعددة المستويات بهذه الطريقة الفعالة والمرنة، يوفر النموذج المقترح التوسيم الدقيق للأشياء البارزة. تُظهر التجارب الشاملة أن طريقة لدينا تؤدي بشكل إيجابي مقارنة بأحدث الأساليب من حيث معظم مقاييس التقييم المقارنة.
درس تشانغ وآخرون (سون) هذا السؤال.