ترجمه فارسی مقاله یادگیری ترتیب در تقسیم‌بندی معنایی

چکیده

Semantic segmentation consists of predicting a semantic label for each image pixel. Conventional deep learning models do not take advantage of ordinal relations that might exist in the domain at hand. For example, it is known that the pupil is inside the iris, and the lane markings are inside the road. Such domain knowledge can be employed as constraints to make the model more robust. The current literature on this topic has explored pixel-wise ordinal segmentation methods, which treat each pixel as an independent observation and promote ordinality in its representation. This paper proposes novel spatial ordinal segmentation methods, which take advantage of the structured image space by considering each pixel as an observation dependent on its neighborhood context to also promote ordinal spatial consistency. When evaluated with five biomedical datasets and multiple configurations of autonomous driving datasets, ordinal methods resulted in more ordinally-consistent models, with substantial improvements in ordinal metrics and some increase in the Dice coefficient. It was also shown that the incorporation of ordinal consistency results in models with better generalization abilities.

چکیده به فارسی (ترجمه ماشینی)

تقسیم بندی معنایی شامل پیش بینی یک برچسب معنایی برای هر پیکسل تصویر است.مدل های یادگیری عمیق متعارف از روابط نظم که ممکن است در حوزه موجود وجود داشته باشد ، استفاده نمی کنند.به عنوان مثال ، مشخص شده است که مردمک در داخل عنبیه قرار دارند و علائم خط در داخل جاده قرار دارد.چنین دانش دامنه می تواند به عنوان محدودیت هایی استفاده شود تا مدل قوی تر شود.ادبیات فعلی در مورد این موضوع به بررسی روشهای تقسیم بندی نظم پیکسل ، که هر پیکسل را به عنوان یک مشاهده مستقل رفتار می کند و نظم را در بازنمایی خود ترویج می کند.در این مقاله روشهای تقسیم بندی نظم فضایی جدید ارائه شده است ، که با در نظر گرفتن هر پیکسل به عنوان مشاهده ای که به متن محله آن بستگی دارد ، از فضای تصویر ساختاری استفاده می کند تا بتواند قوام مکانی نظم را نیز ترویج کند.هنگامی که با پنج مجموعه داده زیست پزشکی و تنظیمات متعدد از مجموعه داده های رانندگی خودمختار ارزیابی شد ، روش های ترتیب منجر به مدل های سازگار تر و پیشرفت های قابل توجهی در معیارهای منظم و برخی افزایش در ضریب تاس شد.همچنین نشان داده شد که ترکیب قوام نظم در مدلهایی با توانایی تعمیم بهتر منجر می شود.