测试

模型	核心结构	主要创新点	优缺点
U-Net	编码器 - 解码器对称结构，中间含跳跃连接（Skip Connection）	跳跃连接融合高低层特征，缓解下采样导致的细节丢失	优点：结构简洁，对小数据集友好，细节保留能力强； 缺点：计算量较大，深层特征语义信息不足
PSPNet	基于 FCN，引入金字塔池化模块（PPM）	金字塔池化模块融合多尺度上下文信息，解决全局语义与局部细节的矛盾	优点：多尺度特征融合能力强，适合复杂场景；缺点：参数量较大，计算效率较低
DeepLabV3+	编码器（空洞卷积 + ASPP 模块）+ 解码器（融合高低分辨率特征）	空洞卷积扩大感受野，ASPP 模块捕获多尺度上下文，解码器优化边界细节	优点：平衡精度与效率，泛化能力强；缺点：实时性较差，需依赖预训练模型
HRNet	并行多分支结构，全程保持高分辨率特征图处理	高分辨率分支避免下采样导致的细节丢失，分支间信息交互增强空间定位能力	优点：细节刻画精准，空间定位能力强；缺点：计算成本高，内存占用大
SegFormer	编码器（Hierarchical CNN）+ 解码器（轻量级 MLP+Transformer）	Transformer 模块建模全局上下文，MLP 解码器高效聚合多尺度特征，无需复杂注意力机制	优点：参数量少、推理速度快，兼顾全局与局部特征；缺点：Transformer 在小数据集易过拟合