ارزیابی تاثیر روش های پس پردازش مبتنی بر ابرپیکسل SLIC و میدان تصادفی شرطی (CRF) بر بهبود مرزهای قطعه بندی معنایی تصاویر

قطعه بندی معنایی تصاویر یکی از مسائل بنیادی در بینایی ماشین است که در کاربردهایی نظیر خودروهای خودران، تصویربرداری پزشکی، سنجش از دور و سامانه های نظارت هوشمند نقش کلیدی دارد. اگرچه شبکه های عصبی عمیق در سال های اخیر پیشرفت قابل توجهی در افزایش دقت قطعه بندی داشته اند، کیفیت مرزهای اشیا و جداسازی دقیق نواحی مجاور همچنان از چالش های اصلی این حوزه محسوب می شود. در بسیاری از موارد خروجی اولیه شبکه های عمیق دارای ناپیوستگی در مرزها، برچسب گذاری نادرست پیکسل های مرزی و نویزهای موضعی است که می تواند عملکرد سامانه را در کاربردهای حساس کاهش دهد. در این پژوهش، تاثیر دو روش متداول پس پردازش شامل ابرپیکسل های SLIC و میدان تصادفی شرطی (CRF) بر بهبود مرزهای قطعه بندی معنایی مورد ارزیابی قرار می گیرد. برای این منظور خروجی اولیه مدل قطعه بندی به عنوان خط مبنا در نظر گرفته شده و سپس هر یک از روش ها به صورت مستقل بر روی آن اعمال می شوند. عملکرد این روش ها با استفاده از معیارهای متداول ارزیابی و همچنین تحلیل کیفیت مرزها، انسجام نواحی و کاهش نویز بررسی می شود. سهم اصلی این پژوهش ارائه یک چارچوب ارزیابی منسجم برای تحلیل نقاط قوت و محدودیت های هر یک از این دو روش و فراهم کردن مبنایی برای انتخاب مناسب ترین راهکار پس پردازش در کاربردهای مختلف قطعه بندی معنایی است.

کلیدواژه ها:

قطعه بندی ، معنایی ، ابرپیکسل SLIC ، میدان تصادفی شرطی ، پس پردازش ، بهبود مرز ، بینایی ماشین