بهبود بخش‌بندی و برجستگی تصویر با استفاده از یادگیری چند‌نمونه‌ای

روش‌های هم‌بخش‌بندی و هم‌برجستگی، در کنار این که می‌توانند به طور جداگانه به ترتیب اشیا مشترک و نواحی برجسته را استخراج کنند، این قابلیت را دارند به عنوان یک روش مستقل با هم تبادل اطلاعات کنند و برای بهبود یکدیگر مکمل هم باشند. در این مقاله سعی داریم با استفاده از روش یادگیری چند‌نمونه‌ای، دقت نتایج را نسبت به کارهای قبلی دراین زمینه، تا حد امکان بهبود دهیم. چالش‌هایی که در این کار بررسی می‌شود ابتدا پیچیدگی‌های پس‌زمینه، شباهت پس‌زمینه و شی‌مشترک است که با روش بهینه‌سازی در یادگیری چند‌نمونه‌ای برطرف می‌شود و سپس خروجی کار را نسبت به تغییرات متفاوت اندازه، روشنایی، چرخش و... با استفاده از استخراج ویژگی‌های عمیق بیمه می-کنیم. برای استخراج ویژگی از شبکه‌های از پیش‌آموزش‌دیده استفاده می‌کنیم و ویژگی‌های سطح بالای آن را از لایه‌های انتهایی شبکه به کار می‌بریم. در انتها رویکردمان را در یک مسئله مینیمم‌سازی تابع انرژی هم‌بخش‌بندی روی یک گراف اعمال می-کنیم. نتایج رویکرد پیشنهادی بر روی مجموعه‌داده استاندارد، برتری این روش نسبت به رویکردهای پیشین را نشان می‌دهد.