بهبودی بر مساله تشخیص اشیا برجسته درتصاویر مبتنی بر یادگیری عمیق

در سال های اخیر با توسعه شبکه های کاملا کانولوشنی (fcn)، پیشرفت های قابل توجهی در تشخیص اشیا برجسته بوجود آمده است. روش های تشخیص برجستگی مبتنی بر fcn، به دلیل داشتن قابلیت ترکیب ویژگی های چند سطحی و چند مقیاسی، می توانند نقشه های برجستگی با وضوح و کیفیت بالاتری تولید کنند. یکی از این روش ها، روش تشخیص برجستگی عمیقا نظارت شده (dss) به کمک معرفی اتصالات کوتاه است. اگر چه این روش توانایی خوبی در موقعیت یابی دقیق اشیا برجسته را پیداه کرده است، اما در بازیابی اطلاعات مرزی اشیا ریز و درشت در برخی صحنه های پیچیده ناموفق است. در این مقاله برای بازیابی اطلاعات بیشتری از بدنه و مرز اشیا برجسته، به کمک معرفی یک مادول جدید به نام پولینگ هرم مکانی وزن دهی پس ماند ویژگی (wr-aspp) و انجام اصلاحاتی در اندازه مکانی لایه های عمیق تر، یک روش قوی تر از نظر دقت عملکرد پیشنهاد شده است. روش پیشنهادی ما در ارزیابی روی 6 پایگاه داده محبوب تشخیص برجستگی، موفق به بدست آوردن نتایج دقیق تری شده است.