فهم یک تصویر و درک محتوا از مهمترین چالشهای پیشرو در یادگیری و بینایی ماشین است. یکی از مهمترین راههای بررسی این چالش از مسیر قطعهبندی معنایی خواهد بود. در این مقاله، با استفاده از معماریهای کانولوشن و کانولوشن معکوس به همراه ساختارهای هرمی آتروس، به بررسی قطعهبندی معنایی پرداختیم. در این روش از معماری اولیه ResNet101 در قسمت استخراج ویژگی و در مراحل بعد از ساختارهای هرمی در مرکز اتصالات شبکه کانولوشن و کانولوشن معکوس استفاده شده است تا اطلاعات محلی و دید کلان در قسمت ویژگیها ترکیب گردد. از طرفی لایههای استخراج ویژگی در سطوح مختلف انتقال داده شده است. نتایج حاصل از این روش، دقت 88.1 درصدی و برتری قطعهبندی معنایی نسبت به رویکردهای مورد بررسی را نشان میدهد.
کلمات کلیدی: قطعهبندی معنایی، کانولوشن، کانولوشن معکوس، ساختار هرمی آتروس، ResNet10