一、核心符号定义符号含义θ模型参数g_t第 t 步的梯度，即 ∂L/∂θm_t一阶动量（梯度的指数加权平均）v_t二阶动量（梯度平方的指数加权平均）η学习率β₁一阶动量衰减系数，通常 0.9β₂二阶动量衰减系数，通常 0.999ε防止除零的极小常数，通常 1e-8二、Adam 的三步计算第一步：更新一阶动量对梯度本身做指数加权平均。作用：给梯度加惯性。连续多步梯度方向一致（比如一直为正）→ m_t

这是一个,主要用于焊缝(weld)检测任务。

摘要：ADS_UNet提出了一种高效的分阶段训练策略，通过冻结前序编码器和样本重加权机制，实现特征多样性和训练效率的提升。其创新点包括：1）分阶段加性训练，逐层冻结编码器参数；2）掩码下采样深度监督，节省2.5倍显存；3）可学习层权重自动发现最优分割尺度；4）基于AdaBoost的加权集成，性能超越UNet++和Transformer模型。实验表明，该方法在CRAG和BCSS数据集上分别达到89.

mask_path = os.path.join(self._base_dir, 'masks', mask_filename) # 因为实际目录结构中掩码在masks文件夹下。(mask_rel_path)# 只取文件名部分 "./annotations_Hui/10.png" → "10.png"# ==================== 简单测试脚本 ===================

loss[i] = -log(softmax(rpn_class_logits[i])[0])# 背景概率。#loss[i] = -log(softmax(rpn_class_logits[i])[1])# 前景概率。RPN_TRAIN_ANCHORS_PER_IMAGE = 256# 每张图参与训练的anchor数。loss_bbox = SmoothL1(预测的[tx,ty,tw,th] -