SemBA-FAST: الانتباه البايزي القائم على السيمantics المطبق على مهام البحث البصري النشط المركز على النقطة العمياء

كل من الروبوتات والبشر لديهم مستشعرات بصرية تتميز بمجالات رؤية محدودة تحتاج إلى التحكم لاستكشاف البيئة والبحث عن الأشياء. لجعل هذه العملية فعالة، تختار طرق الانتباه البصري بشكل نشط المعلومات التي تساهم بشكل أكبر في نجاح المهمة. عاملان رئيسيان يمثلان رؤية الإنسان. أولاً، يمكن أن تمتلك المستشعرات دقة متغيرة مكانياً لمعالجة أجزاء معينة من المشهد بدقة عالية. ثانياً، يتم نشر التركيز الانتباهي في المناطق ذات المعلومات العالية، مثل المناطق الملحوظة جداً. في هذه الورقة، نقترح استخدام المعلومات السيمانتية، المتاحة بسهولة في كاشفات الأشياء الحديثة، كأسلوب فعال لتوجيه مهام البحث البصري عن الأهداف باستخدام مستشعرات النقطة العمياء، والتي نشير إليها باسم SemBA-FAST. لأن كاشفات الأشياء الحديثة تم تدريبها على صور تقليدية كارتسية، نقترح طرقاً لمعايرة الاكتشافات في الصور المعتمدة على النقطة العمياء دون الحاجة إلى إعادة تدريب النماذج العميقة. يتم دمج المعلومات المجمعة عبر عدة حركات سريعة باستخدام مرشحات بايزية تحافظ على تمثيل سيماتيكي للعالم مع عدم اليقين المرتبط، والذي يتم تحديد اتجاه النظرة التالي بناءً عليه بشكل نشط. يتم مقارنة النموذج المقترح مع الأساليب المعتمدة على الوضوح الحديثة. تظهر نتائجنا أن المعلومات السيمانتية تؤثر إيجابياً على أداء البحث البصري عن الأهداف في المشاهد الثابتة، مما يسلط الضوء على أهميتها في تصميم أنظمة الانتباه البصري للروبوتات. • يمكن استغلال المعلومات السيمانتية المتاحة في النماذج الحديثة للتعلم العميق في البحث البصري النشط عن الأشياء المعروفة وتوفر مزايا مقارنة بالنماذج المعتمدة على الوضوح. • الرؤية المركزية فعالة في تقليل كمية المعلومات البصرية التي يجب معالجتها. • يمكن معايرة كاشفات الأشياء المدربة مسبقاً على الصور المعتمدة على النقطة العمياء بأقل جهد حسابي. • النماذج الحسابية المستوحاة من البيولوجيا توفر رؤى أفضل في إدراك الرؤية البشرية. • إطار احتمالي لدمج المعلومات عبر مشاهد متعددة والتخطيط لأفضل مشهد التالي يعزز القابلية للتفسير والشرح الرياضي.