इंटरएक्टिव इमेज सेगमेंटेशन के लिए बैलेंस्ड कट के साथ क्लिक-पिक्सेल संज्ञान फ्यूजन नेटवर्क

इंटरएक्टिव इमेज सेगमेंटेशन (IIS) का उपयोग विभिन्न क्षेत्रों में किया गया है, जैसे कि चिकित्सा, उद्योग आदि। हालांकि, कुछ核心 मुद्दे, जैसे कि पिक्सेल असंतुलन, अब तक हल नहीं हुए हैं। पूर्व-प्रसंस्करण या पश्चात-प्रसंस्करण के आधार पर मौजूदा तरीकों से अलग, हम पिक्सेल संख्या और पिक्सेल कठिनाई के दो दृष्टिकोणों से पिक्सेल असंतुलन के कारण का गहराई से विश्लेषण करते हैं। इस पर आधारित, इस paper में एक नई और एकीकृत क्लिक-पिक्सेल संज्ञान फ्यूजन नेटवर्क के साथ बैलेंस्ड कट (CCF-BC) का प्रस्ताव किया गया है। एक ओर, मानव संज्ञान तंत्र से प्रेरित क्लिक-पिक्सेल संज्ञान फ्यूजन (CCF) मॉड्यूल को सही ढंग से वर्गीकृत किए जा रहे क्लिक-संबंधित पिक्सेल (यानी सकारात्मक पिक्सेल) की संख्या बढ़ाने के लिए डिज़ाइन किया गया है, जहां क्लिक और दृश्य जानकारी को प्रगतिशील तीन-स्तरीय बातचीत रणनीति का उपयोग करके पूरी तरह से फ्यूज किया जाता है। दूसरी ओर, एक सामान्य हानि, बैलेंस्ड नॉर्मलाइज्ड फोकल लॉस (BNFL), का प्रस्ताव किया गया है। इसका मुख्य उद्देश्य नमूना ग्रेडिएंट से संबंधित नियंत्रण गुणांक के एक समूह का उपयोग करना है और नेटवर्क को प्रशिक्षण के दौरान सकारात्मक और कठिन वर्गीकृत करने वाले पिक्सेल पर अधिक ध्यान केंद्रित करने के लिए मजबूर करना है। इसके परिणामस्वरूप, BNFL हमेशा निर्णय स्थान में सकारात्मक और नकारात्मक नमूनों के एक संतुलित कट को प्राप्त करने की प्रवृत्ति रखता है। सैद्धांतिक विश्लेषण दर्शाता है कि सामान्यतः उपयोग किए जाने वाले फोकल और BCE हानियों को BNFL के विशेष मामलों के रूप में देखा जा सकता है। पांच अच्छी तरह से पहचाने गए डेटासेट के प्रयोगात्मक परिणामों ने प्रस्तावित CCF-BC पद्धति की अन्य सर्वोत्तम तरीकों की तुलना में श्रेष्ठता को दर्शाया है। स्रोत कोड सार्वजनिक रूप से उपलब्ध है: https://github.com/lab206/CCF-BC.