تقسيم الصور الدلالي بواسطة الشبكات القابلة للتكيف مع المقاييس

يعتبر تقسيم الصور الدلالي مشكلة هامة لم تُحل بعد. واحدة من التحديات الرئيسية هي التباين الكبير في أحجام الأجسام. لمعالجة هذه المشكلة المتعلقة بالمقياس، نقترح شبكة قابلة للتكيف مع المقياس (SAN) تتكون من فروع متعددة، وكل فرع مسؤول عن تقسيم الأجسام ضمن نطاق معين من المقاييس. عند إعطاء صورة، تقوم SAN أولاً بحساب خريطة مقياس كثيفة تشير إلى مقياس كل بكسل، والذي يتحدد تلقائيًا بواسطة حجم الجسم المحيط. ثم يتم دمج ميزات الفروع المختلفة وفقًا لخريطة المقياس لإنتاج خريطة التقسيم النهائية. لضمان أن كل فرع يتعلم بالفعل الميزات لدلالة معينة، نقترح خريطة حقيقة أرضية مدفوعة بالمقياس ونفرض خسارة تقسيم مدركة للمقياس للفرع المعني بالإضافة إلى الخسارة النهائية. تظهر التجارب المكثفة على مجموعة بيانات PASCAL-Person-Part و PASCAL VOC 2012 و Look into Person أن SAN لدينا يمكنه التعامل مع التباين الكبير في أحجام الأجسام ويتفوق على أحدث أساليب تقسيم الصور الدلالي.