بهبود بخش‌بندي و برجستگي تصوير با استفاده از يادگيري چند‌نمونه‌اي

روش‌هاي هم‌بخش‌بندي و هم‌برجستگي، در كنار اين كه مي‌توانند به طور جداگانه به ترتيب اشيا مشترك و نواحي برجسته را استخراج كنند، اين قابليت را دارند به عنوان يك روش مستقل با هم تبادل اطلاعات كنند و براي بهبود يكديگر مكمل هم باشند. در اين مقاله سعي داريم با استفاده از روش يادگيري چند‌نمونه‌اي، دقت نتايج را نسبت به كارهاي قبلي دراين زمينه، تا حد امكان بهبود دهيم. چالش‌هايي كه در اين كار بررسي مي‌شود ابتدا پيچيدگي‌هاي پس‌زمينه، شباهت پس‌زمينه و شي‌مشترك است كه با روش بهينه‌سازي در يادگيري چند‌نمونه‌اي برطرف مي‌شود و سپس خروجي كار را نسبت به تغييرات متفاوت اندازه، روشنايي، چرخش و... با استفاده از استخراج ويژگي‌هاي عميق بيمه مي-كنيم. براي استخراج ويژگي از شبكه‌هاي از پيش‌آموزش‌ديده استفاده مي‌كنيم و ويژگي‌هاي سطح بالاي آن را از لايه‌هاي انتهايي شبكه به كار مي‌بريم. در انتها رويكردمان را در يك مسئله مينيمم‌سازي تابع انرژي هم‌بخش‌بندي روي يك گراف اعمال مي-كنيم. نتايج رويكرد پيشنهادي بر روي مجموعه‌داده استاندارد، برتري اين روش نسبت به رويكردهاي پيشين را نشان مي‌دهد.