现有的SOD方法往往通过CNN或Transformer进行深度特征提取，但在复杂情况下，这些方法性能低下且泛化性差。刚发布不久的Segment Anything Model （SAM）有着强大的分割和泛化功能，但其需要与提示工程相结合，这在SOD任务中并不可用。并且，SAM 缺乏对多尺度和多层次信息的利用，以及细粒度细节的整合。

点击跳转。类对象以NCinHWNCin​HW作为输入图像数据，以NCoutHoutWoutNCout​Hout​Wout​作为输出图像数据（仅批量大小NNN保持不变）。NNN：批量大小。CCC：通道数。HHH：图像高度。WWW：图像宽度。

王道计算机组成原理笔记。

在上文的数据集中，各特征包括标签均为离散型数据（如，天气={晴天，阴天，雨天}，风速={强，弱}、标签={是，否}），这些数据方便实现数据集的划分，但当存在连续型数据的特征时，就需要将连续型数据划分为多个区间，并将每个区间视为该特征的一个取值（新的离散值），再根据这一取值划分数据集。对于含有n个数据的特征，共有n-1个中位点供选择，事实上，中位点的选取标准与决策树构建标准相同，均是希望划分后的数据

前向传播，是指将数据特征作为输入，输入到隐藏层，将数据特征和对应的权重相乘同时再和偏置进行求和，将计算的结果通过激活函数进行激活，激活函数输出值作为下一层神经网络层的输入再和对应的权重相乘同时和对应的偏置求和，再将计算的结果通过激活函数进行激活，不断重复上述的过程直到神经网络的输出层，最终得到神经网络的输出值。其中，输入可类比神经元树突，树突可类比神经元的轴突末梢，计算则可类比为细胞核。在两层神经

UNet网络是一种用于图像分割的卷积神经网络，其特点是采用了U型网络结构，因此称为UNet。编码器：逐步提取输入图像的特征并降低空间分辨率。解码器：通过上采样操作将特征图恢复到原始输入图像的尺寸，并逐步生成分割结果。【CNN角度的编码器、解码器】以卷积神经网络为例，输入为一个猫，进行特征提取后输出图片类别。编码器：完成对输入图片中猫的特征提取。解码器：将特征提取的结果解码为分类结果。【RNN角度的

VGG是为ImageNet分类挑战训练的，这是一个带有1000个类的对象识别问题，最后的全连接层（4096x1000）为每个输入图像输出一个长度为1000的向量，softmax层将这个长度为1000的向量转换为1000个类。从网络结构中可看出，VGG均全部使用3×3大小、步长为1的小卷积核，3×3卷积核同时也是最小的能够表示上下左右中心的尺寸。

卷积层通过卷积操作来提取特征，在计算机当中，图像以矩阵的方式进行存储（多通道图像即为多个矩阵的叠加），卷积操作实际是通过卷积核对每个通道的矩阵从左到右（卷积核一般是3x3的矩阵）从上至下进行相关运算（先是从左到右，再是从上至下，所以卷积操作也会保留位置信息），最后生成一个/多个新的矩阵，这一新矩阵即为图像的某一特征信息（不同的卷积核能够提取图像不同的特征信息）。池化层的具体操作是将一个像素点及其周