返回藝廊
AI & 系統
提示詞描述
弱監督語義分割架構圖。 此圖說明一種利用圖像級標籤的弱監督語義分割單階段方法。工作流程水平進行，包含以下階段： 1. 輸入階段： * 輸入圖像：一張帶有圖像級標籤註釋的圖像。 * 創新：將特定於定位的令牌整合到輸入層中（以橘色突出顯示）。 * 創新：採用更小的patch聚類模組（以橘色突出顯示）。 2. 特徵提取階段： * 主幹網路：一個分割主幹網路從輸入中提取特徵圖。 * 創新：將適配器模組整合到主幹網路中（以青色突出顯示）。 3. 雙分支處理： * 上分支：一個分類頭處理特徵，產生分類損失 (Lcls)。 * 下分支：此分支分為兩個路徑： * 路徑 a：一個解碼器生成預測的分割圖。 * 路徑 b：一個偽標籤生成器創建偽標籤。 4. 監督階段： * 在預測的分割圖和生成的偽標籤之間計算交叉熵損失 (Lce)。
![請提供一份改良後的 YOLO11s-seg 架構圖，盡可能詳細地展示網路結構的各個層級，並包含精確的結構細節。整體結構應分為左右兩部分，左側展示改良後的主幹網路 (Backbone) 結構，右側展示改良後的頸部 (Neck) 和頭部 (Head) 結構。每個結構組件都應清晰完整。整體配色應採用暖色調，風格應類似於頂級電腦科學會議或期刊論文中常見的網路結構圖。改良後的網路結構基於以下規格：
輸入：[3,640,640]
│
└─主幹網路 (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)
│
└─頸部 (Neck):
│
├─SPPF:
│ Conv(64→32) → 3×MaxPool → Concat → Conv(128→1024) → [1024,20,20] (P5)
│
└─C2PSA_mona ×2:
分為兩個 512 通道分支
分支 A：直接連接
分支...](/_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)
![請生成 YOLO11s-seg 改良模型的詳細架構圖。該圖應盡可能全面地展示網路結構的每一層，可以利用模組來表示層組，同時確保結構的準確性。整體佈局應分為左右兩部分。左側應描繪增強型骨幹結構，右側應顯示改良後的頸部和頭部組件。每個結構塊都應清晰完整。配色方案應為暖色調，風格應模仿頂級電腦科學會議或期刊論文中的圖形。具體的改進基於以下內容：此改良版本採用分層優化策略和雙分支注意力機制來增強 YOLO11s-seg。在骨幹網路中，MobileNetV4HybridMedium 取代了原始骨幹網路，以提高輕量化性能。頸部包含 C2PSA_mona 模組，這是一種創新的雙分支注意力機制，它在平行分支中集成了 PSA（位置敏感注意力）和 Mona（多尺度運算元）。通過可學習的權重實現特徵融合，顯著增強了複雜場景中的多尺度特徵表示和魯棒性。在頭部，採用了源自 DWRSeg 論文的分層特徵增強策略：淺層特徵 (P3/8) 保留標準的 C3k2 模組以保持輕量化特性；中間特徵 (P4/16) 使用 C3k2_SIR 模組，該模組通過空間資訊細化機制結合了深度卷積和通道注意力，以銳化特徵並增強邊緣定位，特別適合於分割不規則物體；深層特徵 (P5/32) 採用 C3k2_DWR 模組，該模組通過區域殘差化（全局上下文提取）和語義殘差化（具有 [1,3,5] 膨脹率的多分支空洞卷積）實現大規模上下文聚合，有效地補償了輕量級骨幹網路有限的感受野。](/_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)