الاكتشاف التمثيلي للإشارات الهيكلية لتقسيم الصور تحت إشراف ضعيف

تعد تقسيم الصور تحت إشراف ضعيف مشكلة صعبة لها تطبيقات متعددة التخصصات في تحليل محتوى الوسائط المتعددة وما بعدها. الهدف هو تقسيم الصورة من خلال الاستفادة من دلالاتها على مستوى الصورة (أي، العلامات). تقدم هذه الورقة خوارزمية لتقسيم الصور تحت إشراف ضعيف تتعلم توزيع مجموعات السوبر بيكسل الهيكلية مكانيًا من التسميات على مستوى الصورة. بشكل أكثر تحديدًا، نقوم أولاً باستخراج رسومات صغيرة من صورة معينة، وهي رسوم صغيرة الحجم تتكون من سوبر بيكسل وت encapsulate هيكلها المكاني. ثم، يتم اقتراح خوارزمية فعالة لتضمين المتشعبات لنقل التسميات من الصور التدريبية إلى الرسومات الصغيرة. كذلك، لوحظ أن هناك العديد من الرسومات الصغيرة الزائدة التي ليست تمييزية لفئات الدلالة، والتي يتم التخلي عنها بواسطة مخطط اختيار الرسومات الصغيرة لأنها لا تساهم في التقسيم اللاحق. بعد ذلك، نستخدم نموذج خليط غاوسي (GMM) لتعلم توزيع الرسومات الصغيرة المختارة بعد التضمين (أي، المتجهات الناتجة من تضمين الرسوم الصغيرة). أخيرًا، نقترح خوارزمية لتقسيم الصور، تُسمى قطع الرسوم الصغيرة التمثيلية، التي تستفيد من GMM المتعلمة لقياس تجانس هيكل صورة الاختبار. تظهر النتائج التجريبية أن النهج المقترح يتفوق على أحدث طرق تقسيم الصور تحت إشراف ضعيف، في خمس مجموعات بيانات شائعة لتقسيم الصور. بالإضافة إلى ذلك، فإن نهجنا يتنافس بشكل جيد مع نماذج التقسيم المعتمدة بشكل كامل.