فهرست نشریات علمی دسترسی آزاد ایران

تشخیص شئ برجسته با هدف شناسایی و بخش‌بندی برجسته‌ترین و متمایزترین اشیاء یا نواحی در یک تصویر انجام می‌شود. شبکه‌های کاملاً کانولوشنی (FCN)، مزایای خود را در مسأله تشخیص شئ برجسته نشان داده‌اند، با این حال، بسیاری از کارهای قبلی بر دقت ناحیه برجسته تمرکز کرده‌اند اما به کیفیت مرز توجّهی ندارند. در این پژوهش، ما بر مکمل بودن بین اطلاعات لبه و اطلاعات شئ برجسته تمرکز می‌کنیم و یک ماژول تشخیص لبه را برای مدل‌سازی صریح اطلاعات لبه برای حفظ مرزهای شیء برجسته به شبکه پیشنهادی اضافه می‌کنیم. شبکه پیشنهادی ما سعی دارد این دو وظیفه مکمل را با کمک متقابل هم بهبود دهد. از طرف دیگر حضور اشیاء چند مقیاسی در مجموعه داده‌های تشخیص شئ برجسته نیاز به مدل‌سازی دقیق در سطح تابع هزینه برای مقابله با مشکل عدم تعادل بین پیش‌زمینه و پس‌زمینه در تصاویر دارد. از این رو، ما از تابع هزینه ترکیبی در مرحله آموزش استفاده می‌کنیم که به مقیاس اشیاء حساس نیست، و می‌تواند مسأله انسجام فضایی را بهتر مدیریت کند و به طور یکنواخت مناطق برجسته را بدون پارامترهای اضافی برجسته کند. مقایسه نتایج کمّی، کیفی به دست آمده توسط روش پیشنهادی با سایر روش‌های پیشرفته در شش مجموعه داده پرکابرد تشخیص برجستگی، نشان می‌دهد، روش پیشنهادی از عمل‌کرد خوبی برخوردار است‌ و به سرعت می‌تواند مناطق برجسته را شناسایی کند. به طور خاص، روش ما بهترین عملکرد را در سه مجموعه‌داده آزمایشی پرکابرد از نظر معیارهای F-measure و MAE دریافت می‌کند که کارایی روش پیشنهادی را نشان می‌دهد.