参考图像分割是一项高级的语义分割任务，其中目标不是预定义的类别，而是通过自然语言进行描述。现有的大多数方法依赖于卷积神经网络，但是卷积神经网络在捕捉语言表达中实体之间的长距离依赖关系方面存在困难，并且对于建模两种不同模态之间的相互作用不够灵活。为了解决这些问题，我们提出了一种使用Transformer进行参考图像分割的第一个无卷积模型，名为ReSTR。由于ReSTR通过Transformer编码器

我们提出了一种新的损失函数，用于在仅有图像级标签的情况下训练深度分割网络。我们证明，在相同的实验条件下，我们的方法在性能上明显优于先前的最先进方法，并提供了详细的消融研究。我们还确定了一些潜在的方向，可以进一步改善弱监督分割性能。我们的实验表明，对目标大小的了解可以显著提高分割性能。SEC通过衰减参数很容易地整合了大小信息，但自动估计目标大小的方法将是可取的。改进性能的第二种方式是更强的分割先验，

我们引入了一种基于局部感知上下文相关性的分割模型来处理局部图像补丁。此外，我们还提出了一种上下文语义细化网络，能够在创建最终高分辨率掩码的过程中减少边界伪影并优化掩码轮廓。

安装交叉编译工具链（如ARM-GCC）或硬件厂商提供的SDK（如华为昇腾CANN Toolkit、地平线OpenExplorer）。| 华为Atlas 200IDK| 昇腾CANN + ATC工具| 高算力边缘计算（自动驾驶） || 地平线征程5（J5）| OpenExplorer + BPU加速库| 车载实时感知|使用轻量级架构：例如PIDNet-S（实时性要求高）或LiteSeg（资源受限场景

多光谱（MS）成像系统在计算机视觉和计算摄影任务中拥有广泛的应用，但由于其高昂的成本，尚未得到广泛采用。近年来，光子超材料的设计和制造技术的进步，使得开发适合集成到消费级移动设备中的多光谱传感器成为可能。用更丰富的光谱信息增强现有的RGB相机及其处理算法，有望在图像处理流程的多个环节中得到应用，但适用于此类研究的多样化真实世界数据集却并非免费可得。

(图1-2-1-1:一主一从SPI通讯设备连接图）(图1-2-1:一主多从SPI通讯设备连接图）SPI通信协议采用的是主从通信模式，通信双方有主从之分，根据从机的设备个数，SPI通信设备之间的连接方式可以分为一主一从和一主多从。SPI通信协议包含1条时钟信号线、2条数据总线和1条片选信号线，时钟信号线为SCK、2条数据总线为MOSI和MISO,片选信号线为CS。它们的作用介绍如下：1.SCK(Se

弱监督语义分割因其较低的人工标注成本而受到广泛关注。本文旨在解决基于边界框标注的语义分割问题，即使用边界框注释作为监督来训练准确的语义分割模型。为此，我们提出了亲和力注意力图神经网络（A2GNN）。按照先前的做法，我们首先生成伪语义感知的种子，然后基于我们新提出的亲和力卷积神经网络（CNN）将其形成语义图。然后，构建的图被输入到我们的A2GNN中，其中一个亲和力注意力层被设计用来从软图边缘获取短距

深度卷积神经网络（DCNN）在图像分类和目标检测等高级视觉任务中表现出最先进的性能。本研究结合了DCNN和概率图模型的方法，用于解决像素级分类的任务（也称为“语义图像分割”）。我们发现，DCNN最后一层的响应对于准确的对象分割来说不够局部化。这是由于使得DCNN在高级任务中表现出色的不变性特性。为了克服深度网络的这种较差的定位性能，我们将最后一层DCNN的响应与全连接条件随机场（CRF）相结合。在

在深度神经网络中，捕捉长程依赖是非常重要的。对于顺序数据（例如语音、语言），循环操作是处理长程依赖建模的主要解决方案。对于图像数据，通过深度卷积操作形成的大感受野来建模长距离依赖关系。卷积和循环操作都是在局部邻域中处理，无论是在空间还是时间上；因此，只有当这些操作被重复应用时，才能捕捉到长程依赖关系，并通过数据逐步传播信号。重复局部操作存在几个局限性。首先，计算效率低下。其次，会导致优化困难，需要

分割标签的不足是野外语义分割的主要障碍之一。为了缓解这个问题，我们提出了一个新颖的框架，根据图像级别的类别标签生成图像的分割标签。在这种弱监督的设置下，已知训练模型更倾向于分割局部有区别的部分，而不是整个物体区域。我们的解决方案是将这样的局部响应传播到属于同一语义实体的附近区域。为此，我们提出了一个称为AffinityNet的深度神经网络(DNN)，它预测相邻图像坐标对之间的语义相似度。语义传播通