समर्थनात्मक विभाजन के लिए ज्ञान अनुकूलन

समर्थनात्मक विभाजन के कार्य के लिए दोनों सटीकता और दक्षता महत्वपूर्ण हैं। मौजूदा गहरे FCNs उच्च-रिज़ॉल्यूशन सुविधा मानचित्रों की श्रृंखला के कारण भारी गणनाओं से प्रभावित होते हैं, जो घनिष्ट अनुमान में विस्तृत ज्ञान को संरक्षित करने के लिए होते हैं। हालांकि उपनमूना ऑपरेशनों (जैसे, मतदान और समवर्ती स्ट्राइडिंग) के माध्यम से सुविधा मानचित्र रिज़ॉल्यूशन को कम करने से दक्षता तुरंत बढ़ सकती है, लेकिन यह अनुमान सटीकता को नाटकीय रूप से घटा देता है। इस दुविधा का सामना करने के लिए, हम समर्थनात्मक विभाजन के लिए एक ज्ञान आसवन विधि का प्रस्ताव करते हैं, जो बड़े कुल स्ट्राइड के साथ संक्षिप्त FCNs की प्रदर्शन में सुधार करने के लिए बनाई गई है। छात्र और शिक्षक नेटवर्क की सुविधाओं के बीच असंगति को संभालने के लिए, हम एक पूर्व-प्रशिक्षित ऑटोकोडर का उपयोग करके रूपांतरित लातेंट डोमेन में सुविधा समानता को अनुकूलित करते हैं। इसके अलावा, पूरे चित्र में गैर-स्थानीय इंटरैक्शन की गणना करके दीर्घकालिक निर्भरता को पकड़ने के लिए एक संबंध आसवन मॉड्यूल का प्रस्ताव किया गया है। हमारी प्रस्तावित विधि की प्रभावशीलता की पुष्टि करने के लिए, पास्कल VOC, सिटीस्केप्स और पास्कल संदर्भ पर तीन लोकप्रिय बेंचमार्क पर व्यापक प्रयोग किए गए हैं। एक अत्यधिक प्रतिस्पर्धात्मक आधार रेखा पर आधारित, हमारी प्रस्तावित विधि एक छात्र नेटवर्क के प्रदर्शन में 2.5% सुधार कर सकती है (mIOU सिटीस्केप्स परीक्षण सेट पर 70.2 से 72.7 तक बढ़ता है) और केवल 8% फ्लोट ऑपरेशनों (FLOPS) के साथ एक बेहतर संक्षिप्त मॉडल को प्रशिक्षित कर सकती है, जो तुलनीय प्रदर्शन प्राप्त करता है।