روشهای همبخشبندی و همبرجستگی، در کنار این که میتوانند به طور جداگانه به ترتیب اشیا مشترک و نواحی برجسته را استخراج کنند، این قابلیت را دارند به عنوان یک روش مستقل با هم تبادل اطلاعات کنند و برای بهبود یکدیگر مکمل هم باشند . در این مقاله سعی داریم با استفاده از روش یادگیری چند نمونهای، دقت نتایج را نسبت به کارهای قبلی در این زمینه ،تا حد امکان بهبود دهیم. چالشهایی که دراین کار بررسی میشود ابتدا پیچیدگیهای پسزمینه، شباهت پسزمینه و شی مشترک است که با روش بهینهسازی در یادگیری چندنمونهای بررسی میشود و سپس خروجی کار را نسبت به تغییرات متفات اندازه روشنایی، چرخش، و ... با استفاده از استخراج ویژگیهای عمیق بیمه میکنیم. برای استخراج ویژگی از شبکههای از پیش آموزشدیده استفاده میکنیم و ویژگیهای سطح بالای آن را از لایههای انتهایی شبکه به کار میگیریم. در انتها رویکردمان را در یک مسئله مینیممسازی تابع انرژی همبخشبندی روی یک گراف اعمال میکنیم. نتایج رویکرد پیشنهادی بر روی مجموعه استاندارد، برتری این روش نسبت به رویکردهای پیشین را نشان میدهد.
کلمات کلیدی: همبخش بندی، همبرجستگی، یادگیری چند نمونهای، ویژگیهای عمیق، تابع انرژی