بهبودي بر مساله تشخيص اشيا برجسته درتصاوير مبتني بر يادگيري عميق

در سال هاي اخير با توسعه شبكه هاي كاملا كانولوشني (FCN)، پيشرفت هاي قابل توجهي در تشخيص اشيا برجسته بوجود آمده است. روش هاي تشخيص برجستگي مبتني بر FCN، به دليل داشتن قابليت تركيب ويژگي هاي چند سطحي و چند مقياسي، مي توانند نقشه هاي برجستگي با وضوح و كيفيت بالاتري توليد كنند. يكي از اين روش ها، روش تشخيص برجستگي عميقا نظارت شده (DSS) به كمك معرفي اتصالات كوتاه است. اگر چه اين روش توانايي خوبي در موقعيت يابي دقيق اشيا برجسته را پيداه كرده است، اما در بازيابي اطلاعات مرزي اشيا ريز و درشت در برخي صحنه هاي پيچيده ناموفق است. در اين مقاله براي بازيابي اطلاعات بيشتري از بدنه و مرز اشيا برجسته، به كمك معرفي يك مادول جديد به نام پولينگ هرم مكاني وزن دهي پس ماند ويژگي (WR-ASPP) و انجام اصلاحاتي در اندازه مكاني لايه هاي عميق تر، يك روش قوي تر از نظر دقت عملكرد پيشنهاد شده است. روش پيشنهادي ما در ارزيابي روي ۶ پايگاه داده محبوب تشخيص برجستگي، موفق به بدست آوردن نتايج دقيق تري شده است.