
تعزيز الامساك الآلي باستخدام آلية الانتباه وهندسة UNet المتقدمة في الشبكات العصبية التلافيفية ذات الفهم التوليدي
يقدم هذا البحث نهجًا جديدًا للإمساك الآلي من خلال دمج آلية الانتباه وبنيات U-Net المتقدمة، وتحديدًا UNet وUNet++، في الشبكة العصبية التلافيفية للفهم التوليدي (GG-CNN). تهدف الطريقة المقترحة، Attention UNet++ GG-CNN، إلى تحسين أداء ودقة تنبؤات الفهم الآلي بشكل كبير. تسمح آلية الانتباه للنموذج بالتركيز على الميزات الأكثر صلة في الصورة العميقة، مما يعزز جودة تنبؤات الفهم. تم تكييف هياكل UNet وUNet++، المشهورة بكفاءتها في مهام التجزئة الدلالية، لإنشاء خريطة جودة استيعابية للبيكسل، مما يوفر رسمًا فرديًا من الصور العميقة. تعمل بنية UNet++، بمسارات التخطي المتداخلة والكثيفة، على تحسين قدرة النموذج على التقاط ونشر التفاصيل ذات المستوى المنخفض إلى ميزات المستوى الأعلى. يتغلب هذا النهج على القيود المفروضة على تقنيات استيعاب التعلم العميق التقليدية عن طريق تجنب أخذ عينات منفصلة من مرشحي الفهم وتقليل أوقات الحساب. تشير النتائج الأولية إلى أن Attention UNet++ GG-CNN يحسن بشكل كبير دقة وأداء الإمساك الآلي، مع تحقيق Attention UNet++ GG-CNN درجات تقاطع عبر الاتحاد (IoU) تصل إلى 95.86%، ومتوسط ??مقاييس الأداء عبر 25%، 50%. ، و 75? عتبات تصل إلى 88.29?، مما يؤكد قدرتها على التلاعب الآلي الأكثر فعالية وموثوقية في مختلف الإعدادات، مما يمهد الطريق لمعالجة روبوتية أكثر كفاءة وموثوقية في البيئات الديناميكية.