Key points are not available for this paper at this time.
ऑप्टिकल रिमोट सेंस इमेजेस (ORSIs) में प्रमुख वस्तु पहचान (SOD) एक मूल्यवान और चुनौतीपूर्ण कार्य है। ORSI में ऐसे कारक, जैसे कि पृष्ठभूमि अव्यवस्था, प्रकाश छायाएँ, इमेजिंग धुंधलापन, और निम्न संकल्प, प्रमुख वस्तुओं की संपूर्णता और सटीकता को काफी हद तक खराब करते हैं। इस समस्या का समाधान करने के लिए, हम एक नवीन मॉडल का प्रस्ताव करते हैं जो प्रमुख वस्तुओं की मजबूत बहु-स्तरीय क्षेत्र विशेषताओं को सीखने के लिए उनकी सीमाओं का एक साथ अनुकूलन करता है। सबसे पहले, हम एक पदानुक्रमिक ध्यान मॉड्यूल के माध्यम से प्रमुख वस्तुओं की बहु-स्तरीय क्षेत्र विशेषताओं को निकालते हैं। दूसरे, हम स्थानीय संकेतों और पिरामिड पूलिंग द्वारा उत्पन्न वैश्विक जानकारी को मिलाकर सीमा विशेषताएँ उत्पन्न करते हैं। अंततः, हम बहु-स्तरों पर क्षेत्र विशेषताओं में सीमा विशेषताओं को समाहित करते हैं। विशेष रूप से, हम एक संयुक्त शिक्षण योजना तैयार करते हैं जो सीमा और क्षेत्र विशेषताओं को समान रूप से अनुकूलित करने के लिए एक द्विदिशीय विशेषता रूपांतरण पर आधारित है ताकि सही ORSI SOD के लिए हो। एक व्यापक मूल्यांकन प्लेटफार्म प्रदान करने के लिए, हम ORSI SOD के लिए ORSI-4199 नामक एक नया डेटासेट बनाते हैं। इसमें 4199 बारीकी से एनोटेटेड चित्र जोड़े होते हैं जिनमें विविध दृश्य होते हैं, जिनमें नौ विशेषताएँ (यानी, चुनौती प्रकार) एनोटेट की गई हैं ताकि विभिन्न दृष्टिकोणों से SOD मॉडलों के ताकत और कमजोरियों का विश्लेषण करना सरल हो सके। सार्वजनिक डेटासेट ORSSD, EORRSD, और नए बनाए गए डेटासेट ORSI-4199 पर व्यापक प्रयोग बताते हैं कि प्रस्तावित दृष्टिकोण प्रगतिशील परिणाम प्राप्त करता है। https://github.com/wchao1213/ORSI-SOD.
तू एट अल। (बुध,) ने इस प्रश्न का अध्ययन किया।