Описание промпта
Архитектурная схема для слабо контролируемой семантической сегментации. Эта схема иллюстрирует одноэтапный метод для слабо контролируемой семантической сегментации, использующий метки на уровне изображений. Рабочий процесс проходит горизонтально через следующие этапы: 1. Этап ввода: * Входное изображение: Изображение, сопровождаемое аннотациями меток на уровне изображения. * Инновация: В слой ввода включены токены, специфичные для локализации (выделены оранжевым). * Инновация: Используется меньший модуль кластеризации патчей (выделен оранжевым). 2. Этап извлечения признаков: * Базовая сеть: Базовая сеть сегментации извлекает карты признаков из входных данных. * Инновация: В базовую сеть интегрированы адаптерные модули (выделены бирюзовым). 3. Двухпоточное процессирование: * Верхняя ветвь: Классификационная головка обрабатывает признаки, что приводит к классификационной потере (Lcls). * Нижняя ветвь: Эта ветвь разветвляется на два пути: * Путь a: Декодер генерирует прогнозируемую карту сегментации. * Путь b: Генератор псевдо-меток создает псевдо-метки. 4. Этап обучения с учителем: * Перекрестная энтропийная потеря (Lce) вычисляется между прогнозируемой картой сегментации и сгенерированными псевдо-метками.
![Пожалуйста, предоставьте схему улучшенной архитектуры YOLO11s-seg, отображающую как можно больше слоев структуры сети с точными структурными деталями. Общая структура должна быть разделена на левую и правую части. Левая сторона должна иллюстрировать улучшенную структуру backbone, а правая сторона должна отображать улучшенные секции neck и head. Каждый структурный компонент должен быть четким и полным. Общая цветовая схема должна быть в теплых тонах, а стиль должен напоминать схемы структуры сети, встречающиеся в статьях ведущих конференций или журналов по информатике. Улучшенная структура сети основана на следующих спецификациях:
Вход: [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:
Разделение на две ветви по 512 каналов
Ветвь A: Прямое соединение
Ветвь...](/_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)
![Пожалуйста, создайте подробную архитектурную схему улучшенной модели YOLO11s-seg. Схема должна максимально полно иллюстрировать каждый слой структуры сети, возможно, используя модули для представления групп слоев, при этом обеспечивая структурную точность. Общая компоновка должна быть разделена на левую и правую секции. Левая сторона должна отображать улучшенную структуру backbone, а правая сторона - улучшенные компоненты neck и head. Каждый структурный блок должен быть четким и полным. Цветовая схема должна быть в теплых тонах, а стиль должен имитировать рисунки, встречающиеся в статьях ведущих конференций или журналов по информатике. Конкретные улучшения основаны на следующем: В этой улучшенной версии используется стратегия иерархической оптимизации и механизм внимания с двумя ветвями для улучшения YOLO11s-seg. В Backbone MobileNetV4HybridMedium заменяет исходную backbone сеть для повышения легковесности. Neck включает модуль C2PSA_mona, инновационный механизм внимания с двумя ветвями, который интегрирует PSA (Position Sensitive Attention) и Mona (Multi-scale Operator) в параллельных ветвях. Слияние признаков достигается за счет обучаемых весов, что значительно улучшает представление многомасштабных признаков и устойчивость в сложных сценариях. В Head принята стратегия иерархического улучшения признаков, взятая из статьи DWRSeg: мелкие признаки (P3/8) сохраняют стандартный модуль C3k2 для сохранения легковесности; промежуточные признаки (P4/16) используют модуль C3k2_SIR, который сочетает в себе глубинный сверточный слой и канальное внимание через механизм Spatial Information Refinement для повышения резкости признаков и улучшения локализации краев, особенно подходящий для сегментации нерегулярных объектов; глубокие признаки (P5/32) используют модуль C3k2_DWR, который обеспечивает агрегацию контекста в большом масштабе посредством региональной резидуализации (извлечение глобального контекста) и семантической резидуализации (многоветвистая атриальная свертка со скоростью расширения [1,3,5]), эффективно компенсируя ограниченное рецептивное поле легковесной backbone сети.](/_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)