مدل چندوظيفه براي تشخيص برجستگي و لبه با استفاده از تابع هزينه تركيبي

تشخيص شئ برجسته با هدف شناسايي و بخش‌بندي برجسته‌ترين و متمايزترين اشياء يا نواحي در يك تصوير انجام مي‌شود. شبكه‌هاي كاملاً كانولوشني (FCN)، مزاياي خود را در مسأله تشخيص شئ برجسته نشان داده‌اند، با اين حال، بسياري از كارهاي قبلي بر دقت ناحيه برجسته تمركز كرده‌اند اما به كيفيت مرز توجّهي ندارند. در اين پژوهش، ما بر مكمل بودن بين اطلاعات لبه و اطلاعات شئ برجسته تمركز مي‌كنيم و يك ماژول تشخيص لبه را براي مدل‌سازي صريح اطلاعات لبه براي حفظ مرزهاي شيء برجسته به شبكه پيشنهادي اضافه مي‌كنيم. شبكه پيشنهادي ما سعي دارد اين دو وظيفه مكمل را با كمك متقابل هم بهبود دهد. از طرف ديگر حضور اشياء چند مقياسي در مجموعه داده‌هاي تشخيص شئ برجسته نياز به مدل‌سازي دقيق در سطح تابع هزينه براي مقابله با مشكل عدم تعادل بين پيش‌زمينه و پس‌زمينه در تصاوير دارد. از اين رو، ما از تابع هزينه تركيبي در مرحله آموزش استفاده مي‌كنيم كه به مقياس اشياء حساس نيست، و مي‌تواند مسأله انسجام فضايي را بهتر مديريت كند و به طور يكنواخت مناطق برجسته را بدون پارامترهاي اضافي برجسته كند. مقايسه نتايج كمّي، كيفي به دست آمده توسط روش پيشنهادي با ساير روش‌هاي پيشرفته در شش مجموعه داده پركابرد تشخيص برجستگي، نشان مي‌دهد، روش پيشنهادي از عمل‌كرد خوبي برخوردار است‌ و به سرعت مي‌تواند مناطق برجسته را شناسايي كند. به طور خاص، روش ما بهترين عملكرد را در سه مجموعه‌داده آزمايشي پركابرد از نظر معيارهاي F-measure و MAE دريافت مي‌كند كه كارايي روش پيشنهادي را نشان مي‌دهد.