في عالم التقنيات الحديثة، يأتي نموذج "الشبكة المتقدمة لفتح القرب المتسق الكامن" (LCPNet) ليعيد تعريف كيفية الكشف عن الأهداف الصغيرة بالأشعة تحت الحمراء. يهدف الكشف عن الأهداف الصغيرة بالأشعة تحت الحمراء (IRSTD) إلى اكتشاف أهداف صغيرة على مسافات بعيدة من خلفيات معقدة، مما يجعله مهمة أساسية في مجال الاستشعار عن بعد.

مع تطور تقنيات التعلم العميق، شهدت منهجيات IRSTD تحسناً واضحاً من خلال تعلم التوصيفات الدقيقة بين الصور وقناع الكشف. ومع ذلك، غالباً ما تعاني التصاميم التقليدية من عدم استغلال كافٍ الهيكل الفيزيائي بين الأهداف والخلفيات.

لتجاوز هذه العقبة، قدم الباحثون نموذج LCPNet الذي يستند إلى أسلوب الافتقار المتناسق. يقوم النموذج أولاً بالتحقق من صحة البراعم المنخفضة في التمثيلات الكامنة، مما يسمح بفتح الشبكة في هذا الفضاء مع الحفاظ على القيود الفيزيائية، مما يتجنب ضغط الحالات الوسيطة بشكل متكرر.

علاوة على ذلك، يتضمن LCPNet مطور LCP الذي يطور كل متغير كامن من حالته السابقة بدلاً من إعادة بناءه عبر بقايا غير مباشرة. يساهم ذلك في استقرار التحديثات المتعلقة بالأهداف الصغيرة من خلال تطبيع متكيف مع المهمة وإدارة الربح.

أيضًا، يقدم LCPNet ذاكرة تحسين مشتركة (SOM)، وهي حالة تاريخية مشتركة بين جميع المتغيرات التفصيلية، مما يوفر توجيهاً منسقاً عبر مراحل الفتح.

أثبتت التجارب الواسعة على أربعة معايير عامة أن LCPNet يتفوق على أحدث الأساليب الأخرى، محققًا اكتشافًا دقيقًا وقويًا مع إنذارات زائفة منخفضة وكفاءة تنافسية. يمكن للمستخدمين الاطلاع على النموذج والشيفرة البرمجية المتاحة على [https://github.com/Tianfang-Zhang/LCPNet].

ما رأيكم في هذه الابتكارات في مجال الذكاء الاصطناعي؟ شاركونا في التعليقات.