摘要
في مواجهة مشاكل عدم دقة تقطيع حواف الأهداف في نموذج DeepLabv3+ وعدم اتساق تقطيع الأهداف من فئات مختلفة، تم اقتراح خوارزمية لتقسيم المعاني تعتمد على دمج آلية انتباه لميزات الفئات. في جهة التشفير لنموذج DeepLabv3+، تم تصميم وحدة انتباه لميزات الفئات لتعزيز العلاقة بين الفئات المختلفة، مما يساعد في استخراج ومعالجة معلومات المعنى الخاصة بالفئات بشكل أفضل. ثم تم استخدام هيكل تكديس هرمي متعدد المستويات ومتوازي لتعزيز الترابط المكاني، مما يسهل استخراج معلومات السياق بمقاييس مختلفة للصورة. أخيراً في جهة فك التشفير، استُخدمت وحدة انتباه القناة لإعادة معايرة الميزات المدمجة متعددة الطبقات، وقمع المعلومات الزائدة، وتعزيز الميزات الهامة لتحسين قدرة تمثيل الشبكة. تم إجراء تجارب فعالية وتعميم على مجموعتي بيانات Pascal Voc2012 وCityscapes للنموذج المحسن، حيث بلغ متوسط مؤشر التداخل والتوحيد 81.34٪ و76.27٪ على التوالي، مما جعل تقطيع حواف الصور أكثر دقة والفئات أكثر وضوحاً، متفوقاً بشكل ملحوظ على الخوارزميات المقارنة في هذا البحث.
关键词
دمج ميزات متعددة المقاييس;ميزات الفئات;آلية الانتباه;تقسيم المعاني;DeepLabv3+
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website