갤러리로 돌아가기
AI & 시스템
프롬프트 설명
약지도 학습 기반 의미론적 분할을 위한 아키텍처 다이어그램. 이 다이어그램은 이미지 수준 레이블을 활용한 약지도 학습 기반 의미론적 분할의 단일 단계 방법을 보여줍니다. 워크플로는 다음 단계를 거쳐 수평으로 진행됩니다. 1. 입력 단계: * 입력 이미지: 이미지 수준 레이블 주석이 첨부된 이미지. * 혁신: 위치 특정 토큰이 입력 레이어에 통합됩니다 (주황색으로 강조 표시). * 혁신: 더 작은 패치 클러스터링 모듈이 사용됩니다 (주황색으로 강조 표시). 2. 특징 추출 단계: * 백본 네트워크: 분할 백본 네트워크가 입력에서 특징 맵을 추출합니다. * 혁신: 어댑터 모듈이 백본 네트워크에 통합됩니다 (청록색으로 강조 표시). 3. 이중 분기 처리: * 상위 분기: 분류 헤드가 특징을 처리하여 분류 손실 (Lcls)을 생성합니다. * 하위 분기: 이 분기는 두 개의 경로로 분기됩니다. * 경로 a: 디코더가 예측된 분할 맵을 생성합니다. * 경로 b: 의사 레이블 생성기가 의사 레이블을 생성합니다. 4. 감독 단계: * 교차 엔트로피 손실 (Lce)이 예측된 분할 맵과 생성된 의사 레이블 간에 계산됩니다.
![개선된 YOLO11s-seg 아키텍처의 다이어그램을 제공해주세요. 네트워크 구조의 가능한 많은 레이어를 정확한 구조적 세부 사항과 함께 보여주세요. 전체 구조는 왼쪽과 오른쪽 섹션으로 나뉘어야 합니다. 왼쪽에는 개선된 백본 구조를, 오른쪽에는 개선된 넥 및 헤드 섹션을 표시해야 합니다. 각 구조적 구성 요소는 명확하고 완전해야 합니다. 전체적인 색상 구성은 따뜻한 색조여야 하며, 스타일은 최고 수준의 컴퓨터 과학 학회 또는 저널 논문에서 볼 수 있는 네트워크 구조 다이어그램과 유사해야 합니다. 개선된 네트워크 구조는 다음 사양을 기반으로 합니다.
입력: [3,640,640]
│
└─백본: 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)
│
└─넥:
│
├─SPPF:
│ Conv(64→32) → 3×MaxPool → Concat → Conv(128→1024) → [1024,20,20] (P5)
│
└─C2PSA_mona ×2:
512 채널 브랜치 두 개로 분할
브랜치 A: 직접 연결
브랜치...](/_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)
![개선된 YOLO11s-seg 모델의 상세한 구조 다이어그램을 생성해 주세요. 다이어그램은 네트워크 구조의 각 레이어를 최대한 포괄적으로 보여주어야 하며, 레이어 그룹을 나타내는 모듈을 사용할 수 있지만 구조적 정확성을 보장해야 합니다. 전체 레이아웃은 왼쪽과 오른쪽 섹션으로 나뉘어야 합니다. 왼쪽에는 향상된 백본 구조를, 오른쪽에는 개선된 넥 및 헤드 구성 요소를 표시해야 합니다. 각 구조 블록은 명확하고 완전해야 합니다. 색상 구성표는 따뜻한 색조여야 하며, 스타일은 최상위 컴퓨터 과학 컨퍼런스 또는 저널 논문에서 볼 수 있는 그림을 모방해야 합니다. 구체적인 개선 사항은 다음과 같습니다. 이 개선된 버전은 YOLO11s-seg를 향상시키기 위해 계층적 최적화 전략과 이중 분기 어텐션 메커니즘을 사용합니다. 백본에서는 MobileNetV4HybridMedium이 원래 백본 네트워크를 대체하여 경량 성능을 향상시킵니다. 넥은 PSA(Position Sensitive Attention)와 Mona(Multi-scale Operator)를 병렬 분기에 통합하는 혁신적인 이중 분기 어텐션 메커니즘인 C2PSA_mona 모듈을 통합합니다. 특징 융합은 학습 가능한 가중치를 통해 달성되어 복잡한 시나리오에서 다중 스케일 특징 표현 및 견고성을 크게 향상시킵니다. 헤드에서는 DWRSeg 논문에서 파생된 계층적 특징 향상 전략이 채택되었습니다. 얕은 특징(P3/8)은 경량 특성을 유지하기 위해 표준 C3k2 모듈을 유지합니다. 중간 특징(P4/16)은 깊이별 컨볼루션과 채널 어텐션을 공간 정보 개선 메커니즘을 통해 결합하여 특징을 선명하게 하고 에지 локализацию를 향상시키는 C3k2_SIR 모듈을 사용하며, 특히 불규칙한 객체 분할에 적합합니다. 깊은 특징(P5/32)은 영역 잔차화(전역 컨텍스트 추출) 및 시맨틱 잔차화(팽창률이 [1,3,5]인 다중 분기 atrous 컨볼루션)를 통해 대규모 컨텍스트 집계를 달성하는 C3k2_DWR 모듈을 사용하여 경량 백본 네트워크의 제한된 수용 필드를 효과적으로 보상합니다.](/_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)