Descrição do Prompt
Diagrama de Arquitetura para Segmentação Semântica Fracamente Supervisionada. Este diagrama ilustra um método de estágio único para segmentação semântica fracamente supervisionada utilizando rótulos em nível de imagem. O fluxo de trabalho prossegue horizontalmente pelas seguintes etapas: 1. Etapa de Entrada: * Imagem de Entrada: Uma imagem acompanhada por anotações de rótulos em nível de imagem. * Inovação: Tokens específicos de localização são incorporados à camada de entrada (destacados em laranja). * Inovação: Um módulo de agrupamento de patches menor é empregado (destacado em laranja). 2. Etapa de Extração de Características: * Rede Backbone: Uma rede backbone de segmentação extrai mapas de características da entrada. * Inovação: Módulos adaptadores são integrados à rede backbone (destacados em ciano). 3. Processamento de Ramo Duplo: * Ramo Superior: Um cabeçalho de classificação processa as características, resultando em uma perda de classificação (Lcls). * Ramo Inferior: Este ramo bifurca-se em dois caminhos: * Caminho a: Um decodificador gera um mapa de segmentação previsto. * Caminho b: Um gerador de pseudo-rótulos cria pseudo-rótulos. 4. Etapa de Supervisão: * Uma perda de entropia cruzada (Lce) é calculada entre o mapa de segmentação previsto e os pseudo-rótulos gerados.
![Por favor, forneça um diagrama da arquitetura aprimorada YOLO11s-seg, mostrando o máximo possível de camadas da estrutura da rede com detalhes estruturais precisos. A estrutura geral deve ser dividida em seções esquerda e direita. O lado esquerdo deve ilustrar a estrutura backbone aprimorada, enquanto o lado direito deve exibir as seções neck e head aprimoradas. Cada componente estrutural deve ser claro e completo. O esquema de cores geral deve ser em tons quentes, e o estilo deve se assemelhar a diagramas de estrutura de rede encontrados em artigos de conferências ou periódicos de ciência da computação de alto nível. A estrutura de rede aprimorada é baseada nas seguintes especificações:
Input: [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:
Split into two 512-channel branches
Branch A: Direct connection
Branch...](/_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, gere um diagrama arquitetônico detalhado do modelo YOLO11s-seg aprimorado. O diagrama deve ilustrar cada camada da estrutura da rede da forma mais abrangente possível, potencialmente usando módulos para representar grupos de camadas, garantindo a precisão estrutural. O layout geral deve ser dividido em seções esquerda e direita. O lado esquerdo deve representar a estrutura backbone aprimorada, e o lado direito deve exibir os componentes neck e head melhorados. Cada bloco estrutural deve ser claro e completo. O esquema de cores deve ser em tons quentes, e o estilo deve emular as figuras encontradas em artigos de conferências ou periódicos de alto nível em ciência da computação. As melhorias específicas são baseadas no seguinte: Esta versão aprimorada emprega uma estratégia de otimização hierárquica e um mecanismo de atenção de ramificação dupla para aprimorar o YOLO11s-seg. No Backbone, o MobileNetV4HybridMedium substitui a rede backbone original para melhorar o desempenho leve. O neck incorpora o módulo C2PSA_mona, um mecanismo de atenção de ramificação dupla inovador que integra PSA (Position Sensitive Attention) e Mona (Multi-scale Operator) em ramificações paralelas. A fusão de recursos é alcançada por meio de pesos aprendíveis, aprimorando significativamente a representação de recursos multiescala e a robustez em cenários complexos. No Head, uma estratégia de aprimoramento de recursos hierárquica derivada do artigo DWRSeg é adotada: recursos rasos (P3/8) retêm o módulo C3k2 padrão para manter características leves; recursos intermediários (P4/16) usam o módulo C3k2_SIR, que combina convolução depthwise e atenção de canal por meio de um mecanismo de Refinamento de Informação Espacial para aguçar os recursos e aprimorar a localização de bordas, particularmente adequado para segmentar objetos irregulares; recursos profundos (P5/32) empregam o C3k2_DWR, que alcança agregação de contexto em larga escala por meio de residualização regional (extração de contexto global) e residualização semântica (convolução atrous multi-ramo com taxas de dilatação de [1,3,5]), compensando efetivamente o campo receptivo limitado da rede backbone leve.](/_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)