摘要
مهمة تقسيم الأهداف المموهة هي تصنيف وتحديد مواقع الأهداف التي تشبه الخلفية إلى حد كبير باستخدام أقنعة التقسيم على مستوى البكسل بدقة، وهي أكثر تحديًا مقارنة بمهمة تقسيم الأهداف التقليدية. نظرًا للتشابه العالي بين الهدف والبيئة المحيطة، وضبابية الحدود، وانخفاض التباين، تم بناء طريقة تقسيم أهداف مموهة تعتمد على تعزيز الحواف ودمج الميزات. أولاً، تم تصميم مجموعة من وحدات استخراج الحواف التي يمكنها تقسيم الحواف الأولية الفعالة بدقة أكبر. بعد ذلك، تم إدخال وحدات تعزيز الميزات متعددة المقاييس ووحدات تجميع الميزات عبر المستويات، التي تستخرج معلومات السياق متعددة المقاييس داخل الطبقة وعبر الطبقات على التوالي. تم اقتراح وحدة انتباه طبقية بسيطة تستخدم الفروقات بين المستويات المجاورة لتصفية المعلومات المزعجة التي قد تظهر بعد الدمج بفاعلية. أخيرًا، من خلال دمج خريطة الميزات على كل مستوى مع الحواف الأولية تدريجيًا، يتم الحصول على نتائج توقع دقيقة. تظهر نتائج التجارب على 4 مجموعات بيانات معيارية لأهداف مموهة تفوق هذا النموذج على الخوارزميات الأخرى. حيث ارتفع مؤشر F المرجح بنسبة 2.4٪، وانخفض متوسط الخطأ المطلق بنسبة 7.2٪، وسرعة التقسيم وصلت إلى 44.2 إطارًا في الثانية على جهاز RTX 2080Ti. مقارنة بالطرق الحالية، يمكن لهذا الخوارزم تقسيم الأهداف المموهة بدقة أكبر.
关键词
التعلم العميق;الأهداف المموهة;تقسيم الصور;ميزات الحافة;دمج الميزات
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