درک صحنه های شهری

درک صحنه های شهری یکی از مسائل مهم در حوزه بینایی ماشین است و کاربردهای گسترده ای در سامانه های خودران، رباتیک و پایش هوشمند شهری دارد. دو وظیفه اصلی در این زمینه تفکیک معنایی تصویر و تخمین عمق از تصویر تک چشمی هستند که به ترتیب اطلاعات معنایی و هندسی صحنه را فراهم می کنند. یادگیری همزمان این دو وظیفه در قالب یادگیری چند وظیفه ای می تواند باعث کاهش هزینه محاسباتی و بهبود سازگاری نتایج شود، اما معمولا به دلیل عدم تعادل در فرآیند آموزش، یکی از وظایف بر دیگری غلبه کرده و باعث ناپایداری مدل می شود. در این مقاله یک چارچوب ساده و کارآمد برای یادگیری همزمان تفکیک معنایی و تخمین عمق ارائه شده است که بر پایدارسازی فرآیند آموزش تمرکز دارد. روش پیشنهادی شامل سه ایده اصلی است: ۱- تنظیم تطبیقی وزن خطاها برای ایجاد تعادل بین وظایف ۲- استفاده از نظارت کمکی در لایه های میانی برای بهبود انتقال گرادیان ۳- اشتراک کنترل شده ویژگی ها بین دو وظیفه برای جلوگیری از تداخل منفی. برای ارزیابی، روش آزمایش ها روی دیتاست Cityscapes Dataset انجام شد. نتایج نشان داد که روش پیشنهادی نسبت به مدل های تک وظیفه ای و چند وظیفه ای، ساده، همگرایی پایدارتر و عملکرد متوازن تری در هر دو وظیفه ارائه می دهد. همچنین تحلیل اجزای مدل نشان داد که هر یک از بخش های پیشنهادی نقش مهمی در بهبود عملکرد نهایی دارند. نتایج این پژوهش نشان می دهد که طراحی مبتنی بر بهینه سازی پایدار می تواند راهکاری ساده و موثر برای یادگیری چند وظیفه ای در درک صحنه های شهری باشد.

کلیدواژه ها:

یادگیری چند وظیفه ای ، تفکیک معنایی ، تخمین عمق ، درک صحنه شهری ، پایداری آموزش