Descripción del prompt
Diagrama de arquitectura para segmentación semántica débilmente supervisada. Este diagrama ilustra un método de una sola etapa para la segmentación semántica débilmente supervisada utilizando etiquetas a nivel de imagen. El flujo de trabajo avanza horizontalmente a través de las siguientes etapas: 1. Etapa de Entrada: * Imagen de Entrada: Una imagen acompañada de anotaciones de etiquetas a nivel de imagen. * Innovación: Se incorporan tokens específicos de localización en la capa de entrada (resaltados en naranja). * Innovación: Se emplea un módulo de agrupamiento de parches más pequeño (resaltado en naranja). 2. Etapa de Extracción de Características: * Red Troncal: Una red troncal de segmentación extrae mapas de características de la entrada. * Innovación: Se integran módulos adaptadores en la red troncal (resaltados en cian). 3. Procesamiento de Doble Rama: * Rama Superior: Un encabezado de clasificación procesa las características, lo que resulta en una pérdida de clasificación (Lcls). * Rama Inferior: Esta rama se bifurca en dos caminos: * Camino a: Un decodificador genera un mapa de segmentación predicho. * Camino b: Un generador de pseudo-etiquetas crea pseudo-etiquetas. 4. Etapa de Supervisión: * Se calcula una pérdida de entropía cruzada (Lce) entre el mapa de segmentación predicho y las pseudo-etiquetas generadas.
![Por favor, proporcione un diagrama de la arquitectura mejorada YOLO11s-seg, mostrando tantas capas de la estructura de la red como sea posible con detalles estructurales precisos. La estructura general debe dividirse en secciones izquierda y derecha. El lado izquierdo debe ilustrar la estructura backbone mejorada, mientras que el lado derecho debe mostrar las secciones neck y head mejoradas. Cada componente estructural debe ser claro y completo. El esquema de color general debe ser de tonos cálidos, y el estilo debe asemejarse a los diagramas de estructura de red que se encuentran en artículos de conferencias o revistas de informática de primer nivel. La estructura de red mejorada se basa en las siguientes especificaciones:
Entrada: [3,640,640]
│
└─Backbone: MobileNetV4HybridMedium (factor=0.25)
│
├─Conv0: Conv2d(3→8, k=3, s=2) + BN + ReLU6 → [8,320,320]
│
├─Layer1: FusedIB(8→12, s=2) → [12,160,160] (P1)
│
├─Layer2:
│ ├─UIB(12→20, s=2) → [20,80,80]
│ └─UIB(20→20, s=1) → [20,80,80] (P2)
│
├─Layer3:
│ ├─UIB(20→40, s=2) → [40,40,40]
│ ├─UIB(40→40, s=1) → [40,40,40]
│ ├─UIB(40→40, s=1) → [40,40,40]
│ ├─4× (UIB+MHSA) → [40,40,40]
│ └─UIB(40→40, s=1) → [40,40,40] (P3)
│
└─Layer4:
├─UIB(40→64, s=2) → [64,20,20]
├─5× UIB → [64,20,20]
├─4× (UIB+MHSA) → [64,20,20]
└─2× UIB → [64,20,20] (P4)
│
└─Neck:
│
├─SPPF:
│ Conv(64→32) → 3×MaxPool → Concat → Conv(128→1024) → [1024,20,20] (P5)
│
└─C2PSA_mona ×2:
Dividido en dos ramas de 512 canales
Rama A: Conexión directa
Rama...](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FQDBc1BIBGbvje1FqHJjm2d7CaYOob7cn%2Fcd190b7e-4df0-4d77-9c86-6989f592119d%2F9fa32595-8168-4390-8896-0d36eafa5a9f.png&w=3840&q=75)
![Por favor, genera un diagrama arquitectónico detallado del modelo YOLO11s-seg mejorado. El diagrama debe ilustrar cada capa de la estructura de la red de la manera más completa posible, potencialmente utilizando módulos para representar grupos de capas, garantizando al mismo tiempo la precisión estructural. El diseño general debe dividirse en secciones izquierda y derecha. El lado izquierdo debe representar la estructura de backbone mejorada, y el lado derecho debe mostrar los componentes de cuello y cabeza mejorados. Cada bloque estructural debe ser claro y completo. El esquema de color debe ser de tonos cálidos, y el estilo debe emular las figuras que se encuentran en los artículos de conferencias o revistas de informática de primer nivel. Las mejoras específicas se basan en lo siguiente: Esta versión mejorada emplea una estrategia de optimización jerárquica y un mecanismo de atención de doble rama para mejorar YOLO11s-seg. En el Backbone, MobileNetV4HybridMedium reemplaza la red de backbone original para mejorar el rendimiento ligero. El cuello incorpora el módulo C2PSA_mona, un innovador mecanismo de atención de doble rama que integra PSA (Atención Sensible a la Posición) y Mona (Operador Multiescala) en ramas paralelas. La fusión de características se logra a través de pesos aprendibles, lo que mejora significativamente la representación de características multiescala y la robustez en escenarios complejos. En la Cabeza, se adopta una estrategia de mejora de características jerárquica derivada del artículo DWRSeg: las características superficiales (P3/8) conservan el módulo C3k2 estándar para mantener las características ligeras; las características intermedias (P4/16) utilizan el módulo C3k2_SIR, que combina la convolución separable en profundidad y la atención de canal a través de un mecanismo de Refinamiento de Información Espacial para afinar las características y mejorar la localización de bordes, particularmente adecuado para segmentar objetos irregulares; las características profundas (P5/32) emplean el C3k2_DWR módulo, que logra la agregación de contexto a gran escala a través de la residualización regional (extracción de contexto global) y la residualización semántica (convolución atrous multirama con tasas de dilatación de [1,3,5]), compensando eficazmente el campo receptivo limitado de la red de backbone ligera.](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2Fdd1ff8ydE0r2YmRRutlgTwqrekhr45kr%2F11eefaa9-7ae8-41c4-8b1f-ac4138029b28%2F4e817789-1df2-48dc-828d-6c88ffd781f9.png&w=3840&q=75)