کنفرانس بین المللی محاسبات نرم

صفحه اصلی / چهارمین کنفرانس بین المللی محاسبات نرم

بهبود تشخیص شئ برجسته با استفاده از ویژگی های چند مقیاسی در شبکه های عمیق

نویسندگان :

سجاد دهقان¹ محمد جواد فدائی اسلام²

1- دانشگاه سمنان 2- دانشگاه سمنان

کلمات کلیدی :

تشخیص شئ برجسته، تشخیص برجستگی تصویر، شبکه های عمیق کاملاً کانولوشنی، بینایی ماشین، یادگیری عمیق

چکیده :

پیشرفت های اَخیر در تشخیص شئ برجسته، عمدتاً توسط راه حل های مبتنی بر یادگیری عمیق به دست آمده است. پیشرفت های انجام‌شده در شبکه های عصبی کانولوشنی (CNN) و شبکه های عصبی کاملاً کانولوشنی (FCN)، گرایش به نمایش های چند مقیاسی موثرتر و کارآمدتر را نشان داده‌اند. وظایف سطح پیکسل مانند: تشخیص شئ برجسته نیز نیازمند توانایی به دست آوردن نمایش های چند مقیاسی قوی از شبکه های عصبی کانولوشنی پایه برای تعیین موقعیت اجسام و جزئیات منطقه آن ها است. در این مقاله یک روش پردازش چند مقیاس ساده اما کارآمد ارایه شد. برای رسیدن به این مهم از یک بلوک ساختاری جدید به نام Res2Net برای استخراج ویژگی های عمیق چند سطحی و چند مقیاسی در بخش رمزگذار استفاده شد. ماژول Res2Net ویژگی های چند مقیاسی را در یک سطح دقیق تر نشان می دهد و دامنه میدان های دریافتی را برای هر لایه شبکه افزایش می دهد. رویکرد پیشنهادی از پتانسیل چند مقیاسی در سطح بسیار دقیقی استفاده می‌کند، که با روش‌های موجود که عملیات لایه ای را به کار می‌گیرند، متعامد است. نتایج آزمایش ها بر روی شش مجموعه داده عمومی پرکاربرد در تشخیص شئ برجسته نشان می‌دهد که رویکرد پیشنهادی ما می‌تواند اشیاء برجسته را به سرعت و با وضوح بالا مکان‌یابی کند و در مقایسه با روش‌های پیشرفته در تشخیص شئ برجسته، سطح عملکرد را بهبود ببخشد.