输入层
- 节点数量：248个节点，输入特征为RGB颜色空间。
- 作用：接收图像的特征，为后续的结构特征学习和分割提供基础。
SAG层
- 节点数量：128个节点，输入节点数量为248。
- 每个节点参数：
- 权重矩阵：size为128x248，表示从输入到该节点的映射关系。
- 偏置项：128个。
- 激活函数：ReLU。
- 激活参数：α=.2，β=.5。
- 作用：提取图像的结构特征，构建图特征。
AsG层（Asymmetric Graph Neural Networks）
- 节点数量：32个节点，包括SAG层、AsGNN层、AsGNNT层。
- SAG层：
- 卷积层：size为7x7，输出为64。
- 池化层：downsample为16x16。
- 输出为128。
- AsGNN层：
- 卷积层：5x5，输出为64。
- 池化层：downsample为8x8。
- 输出为128。
- AsGNNT层：
图卷积层：size为6x6，输出为128。
- 每层参数：
- 卷积层权重：7x7，size为64x49。
- 卷积层偏置：49x64。
- 池化层权重：1x1，size为4x4。
- 池化层偏置：4x64。
- 图卷积层权重：6x6，size为128x36。
- 图卷积层偏置：36x128。
- 作用：基于SAG层的图神经网络，实现图像分割。
输出层
- 节点数量：9x9网格，输出大小为81个网格点。
- 每个网格点参数：
- 类别数：12（如物体、人、人头等）。
- 激活函数：Softmax。
- 每个网格点的输出：size为12。
- 作用：将图特征转换为网格大小的分割结果。
标签层
- 节点数量：12个节点，分别对应不同的类别。
- 作用：进行最终的分类，输出分割结果。
节点配置参数说明
- 学习率：通常为.1。
- 优化器：Adam优化器。
- 损失函数：交叉熵损失。
- 批量大小：64个样本。
- 训练迭代数：2次。
实施建议
- 预训练：可以先预训练SAG层，然后调整AsGNN层的参数。
- 参数调整：根据模型效果调整节点数量、神经网络层、激活函数和激活参数。
- 数据预处理：确保图像数据标准化和归一化，减少偏移和缩放对模型的影响。
通过以上节点配置,SagerNet能够有效地学习图像的结构特征，并进行图像分割，适用于各种图像分割任务。
