ترجمه فارسی مقاله StitchFusion: ترکیب هر روش بصری برای بهبود تقسیم‌بندی معنایی چندوجهی

چکیده

Multimodal semantic segmentation shows significant potential for enhancing segmentation accuracy in complex scenes. However, current methods often incorporate specialized feature fusion modules tailored to specific modalities, thereby restricting input flexibility and increasing the number of training parameters. To address these challenges, we propose StitchFusion, a straightforward yet effective modal fusion framework that integrates large-scale pre-trained models directly as encoders and feature fusers. This approach facilitates comprehensive multi-modal and multi-scale feature fusion, accommodating any visual modal inputs. Specifically, Our framework achieves modal integration during encoding by sharing multi-modal visual information. To enhance information exchange across modalities, we introduce a multi-directional adapter module (MultiAdapter) to enable cross-modal information transfer during encoding. By leveraging MultiAdapter to propagate multi-scale information across pre-trained encoders during the encoding process, StitchFusion achieves multi-modal visual information integration during encoding. Extensive comparative experiments demonstrate that our model achieves state-of-the-art performance on four multi-modal segmentation datasets with minimal additional parameters. Furthermore, the experimental integration of MultiAdapter with existing Feature Fusion Modules (FFMs) highlights their complementary nature. Our code is available at StitchFusion_repo.

چکیده به فارسی (ترجمه ماشینی)

تقسیم معنایی چند حالته پتانسیل قابل توجهی برای افزایش دقت تقسیم بندی در صحنه های پیچیده را نشان می دهد.با این حال ، روشهای فعلی اغلب ماژول های فیوژن تخصصی متناسب با روشهای خاص را در بر می گیرند ، در نتیجه انعطاف پذیری ورودی را محدود می کنند و تعداد پارامترهای آموزشی را افزایش می دهند.برای پرداختن به این چالش ها ، ما StitchFusion را پیشنهاد می کنیم ، یک چارچوب همجوشی معین و در عین حال مؤثر که مدلهای از پیش آموزش در مقیاس بزرگ را مستقیماً به عنوان رمزگذار و فیوزرهای ویژگی ادغام می کند.این رویکرد همجوشی جامع چند منظوره و چند مقیاس را تسهیل می کند و هرگونه ورودی معین بصری را در خود جای می دهد.به طور خاص ، چارچوب ما با به اشتراک گذاری اطلاعات بصری چند منظوره به ادغام معین در طول رمزگذاری دست می یابد.برای تقویت تبادل اطلاعات در روش ها ، ما یک ماژول آداپتور چند جهته (چند منظوره) را معرفی می کنیم تا انتقال اطلاعات متقابل را در حین رمزگذاری فعال کنیم.با استفاده از چند منظوره برای انتشار اطلاعات چند مقیاس در طول رمزگذارهای از پیش آموزش دیده در طی فرآیند رمزگذاری ، StitchFusion به ادغام اطلاعات بصری چند منظوره در طول رمزگذاری دست می یابد.آزمایش های مقایسه ای گسترده نشان می دهد که مدل ما در چهار مجموعه داده تقسیم بندی چند منظوره با حداقل پارامترهای اضافی به عملکرد پیشرفته می رسد.علاوه بر این ، ادغام تجربی چند منظوره با ماژول های فیوژن ویژگی موجود (FFMS) ماهیت مکمل آنها را برجسته می کند.کد ما در stitchfusion_repo در دسترس است.