قطعه بندی معنایی تصاویر با نظارت ضعیف به صورت سرتاسری با یادگیری قرابت معنایی و نقشه های فعالسازی کاس پازل شده

در این مقاله ، یک روش نوآورانه برای قطعه بندی معنا یی تصاویر به صورت سرتاسری (مدل (Puzzled-AFA ارائه شده است . این روش از معماری ترنسفورمری برای آموزش شبکه استفاده می کند. با هدف بهبود کیفیت نقشه های فعالسازی اولیه ، از ماژول پازل بهره گرفته شده است . در این ماژول، تصاویر به چهار بخش تقسیم می شوند و نقشه های فعالسازی مربوط به هر بخش تولید می شوند. سپس ، این نقشه ها با یکدیگر ترکیب شده و نقشه ی فعالسازی جدیدی ایجاد می شود. این رویکرد منجر به فعالسازی قسمت های بیشتری از تصویر و بهبود کیفیت نقشه های فعالسازی می شود. همچنین ، از یک ماژول همبستگی برای ایجاد ارتباطات بین نقشه های فعالسازی استفاده می شود که بهبودهای لازم را در نقشه ها اعمال و کیفیت آنها را ارتقاء می دهد. در پایان، از یک ماژول تصحیح تطبیق پیکسل برای بهبود نها یی نقشه های فعالسازی استفاده می شود. این ماژول از اطلاعات رنگ تصاویر بهره می برد و کیفیت آنها را بهبود می بخشد. مدل پیشنهادی با دقت ۷۳ درصد موفق به انجام قطعه بندی معنا یی با نظارت ضعیف شده است .

Keywords:

قطعه بندی معنایی , قطعه بندی معنایی با نظارت ضعیف , ترنسفورمر , مکانیزم توجه , نقشه های فعال سازی کلاس.