宋恒，耿天寶，王東杰，張宜聲

中國中鐵四局集團有限公司，管理與技術(shù)研究院，安徽 合肥 230000

引 言

隨著我國綜合國力的提升和城市化建設(shè)的推進，為滿足人們高效的出行生活，國家在以道路、鐵路、空運和海運為主的交通領(lǐng)域進行大規(guī)模的投資建設(shè)[1]。由于我國地理環(huán)境山區(qū)眾多，在“一帶一路”倡議、川藏鐵路等新時代“世紀(jì)工程”的驅(qū)動下，為減少繞山、陡坡建設(shè)的問題，鐵路隧道工程得到快速發(fā)展，城市地下軌道交通在優(yōu)化城市布局、促進社會和經(jīng)濟發(fā)展等方面也發(fā)揮著不可或缺的作用。據(jù)統(tǒng)計，截至2021 年年底，中國鐵路運營總里程約15.1萬km，而其中投入運營的鐵路隧道有17,532座，總長約21,055km,在建2,418 座，總長約6,414km,規(guī)劃6,226 座，總長約為15,266km[2]；截至2021 年年底，我國運營線路總長度達9206.8km，其中78.3%為地鐵運營線路[3]。

隧道作為地下隱蔽工程，易受到地下水的侵蝕性和各種靜動荷載作用，在運營期間出現(xiàn)裂縫、滲漏、襯砌變形等多種病害[4-5]。隨著隧道運營時間的增加，襯砌結(jié)構(gòu)的病害會不斷惡化，不同誘導(dǎo)因素對結(jié)構(gòu)損傷的影響程度不斷加劇。如隧道襯砌厚度不足將產(chǎn)生應(yīng)力集中，造成開裂掉塊等病害，危及高速列車運營安全。探地雷達(Ground Penetrating Radar, GPR)因其穿透力強、探測深度大、速度快、分辨率高、無污染、無輻射等優(yōu)點，目前廣泛應(yīng)用于隧道質(zhì)量檢測中，包括數(shù)據(jù)采集和圖像分析兩個方面的內(nèi)容。由于隧道內(nèi)部地質(zhì)條件復(fù)雜、人工操作偏差大、干擾因素多等特點，隧道雷達波圖像（B-scan）面臨判識困難的問題。

基于此，本文采用深度學(xué)習(xí)的方法，研究隧道雷達波的襯砌線智能識別方法，解決人工主觀因素影響的問題，實現(xiàn)快速有效地計算襯砌厚度，避免欠厚造成的隧道安全問題。

本文的主要貢獻概述如下：

（1）提出使用兩張熱圖共同監(jiān)督關(guān)鍵點的預(yù)測，大大提升了網(wǎng)絡(luò)的收斂速度；

（2）基于關(guān)鍵點檢測模型重新設(shè)計了損失函數(shù)，使得網(wǎng)絡(luò)可以直接輸出擬合的襯砌線；

（3）本文方法在實際檢測中，可準(zhǔn)確預(yù)測襯砌線關(guān)鍵點，并平滑擬合所有襯砌線。

1 相關(guān)工作

襯砌線識別是隧道工程檢測中雷達圖像判識的關(guān)鍵步驟，對于襯砌病害分析具有重要意義。本節(jié)圍繞目標(biāo)識別、邊緣檢測及不規(guī)則線段檢測方法簡要梳理相關(guān)工作。

襯砌線的雷達圖像識別屬于目標(biāo)識別領(lǐng)域，可分為傳統(tǒng)識別方法和基于深度學(xué)習(xí)識別方法。傳統(tǒng)方法主要根據(jù)線條顏色、形狀等特征進行邊緣識別，如Hough 變換法[6]、基于連接的算法[7]等。1989年，ZHOU等[8]從4個不同方向掃描圖像，通過因果自回歸模型表示局部窗口中的像素，根據(jù)梯度變化規(guī)則檢測邊緣，將檢測到的4個邊緣進行連接，獲取物體邊緣特征。1999年，Galambos 等[9]提出累計概率Hough 變換，提升了線段檢測的實時性。2004年，韓秋蕾等[10]基于Hough變換，結(jié)合全局和局部閾值去除虛假尖峰，利用動態(tài)分組原則確定線段端點，實現(xiàn)了復(fù)雜背景中線段特征的提取。2009年，林玉池等[11]利用Hough變換峰值參數(shù)逆變換提取線段特征，實現(xiàn)對直線的準(zhǔn)確提取。2022年，張培宣等[12]基于Hough 變換對海冰反轉(zhuǎn)過程中的表面輪廓線進行識別，提取冰面厚度相關(guān)參數(shù)。

基于深度學(xué)習(xí)的目標(biāo)識別方法進一步分為錨框檢測法和無錨框檢測法。錨框檢測法需要人工依據(jù)數(shù)據(jù)特性設(shè)定錨框尺寸，泛化能力差；無錨框檢測法是通過預(yù)測物體的關(guān)鍵點進行集成或物體內(nèi)部點到物體邊界偏移量進行檢測，其中，基于內(nèi)部點的方法主要應(yīng)用于人臉識別任務(wù)中[13]。2018年，Law等[14]提出基于關(guān)鍵點配對(左上角和右下角)的檢測方法CornerNet，使用一階Hourglass-104[15]網(wǎng)絡(luò)預(yù)測目標(biāo)的熱圖角點集合，通過引入角點池化和非極大值抑制實現(xiàn)角點定位，但由于全局信息的缺失會導(dǎo)致錯誤邊框的產(chǎn)生。2019 年，Zhou 等[16]基于極值點設(shè)計檢測器ExtremeNet，通過預(yù)測上下左右4 個極值點熱圖和中心點熱圖，獲取大量物體外觀信息。Duan等[17]基于CornerNet 提出CenterNet 模型，通過引入中心關(guān)鍵點的熱圖，利用三元組方法實現(xiàn)對目標(biāo)的精確定位。2020 年，Law 等[18]提出Corner-Net的高效版本CornerNet-Lite，先從低分辨率輸入中快速預(yù)測物體候選區(qū)域，再從高分辨率候選區(qū)域精確檢測物體，大大提升了CornerNet 推理的高效性。2022年，林林等[19]提出用于熱圖回歸的損失函數(shù)Heatmap Wing Loss(HWing Loss)，解決了原始損失函數(shù)訓(xùn)練熱圖回歸網(wǎng)絡(luò)精度不高、收斂速度慢的問題。

伴隨神經(jīng)網(wǎng)絡(luò)技術(shù)不斷發(fā)展，邊緣檢測領(lǐng)域呈現(xiàn)出兩個陣營：傳統(tǒng)檢測方法和基于深度學(xué)習(xí)的檢測方法。傳統(tǒng)檢測方法主要基于一些低級特征來預(yù)測邊界，如Sobel算子[20]、Robert算子[21]、Laplacian 算子[22]、Canny 算子[23]、統(tǒng)計邊緣[24]、概率邊界[25]、結(jié)構(gòu)化邊緣檢測算法[26]等。傳統(tǒng)檢測方法取得了一系列進步，但是邊緣定位、噪聲抑制、定位精度等方面表現(xiàn)欠佳。深度學(xué)習(xí)領(lǐng)域，Xie 等[27]提出整體嵌套邊緣檢測(Holisticallynested Edge Detection,HED)，作為首個端到端網(wǎng)絡(luò)架構(gòu)，擁有效率高性能好、結(jié)構(gòu)緊湊的優(yōu)點，缺點在于計算成本較高，后續(xù)涌現(xiàn)出許多優(yōu)秀的模型，如Relaxed Deep Supervision(RDS)[28]、Crisp Edge Detector (CED)[29]和Deep Structural Contour Detection(DSCD)[30]等在不同任務(wù)中取得領(lǐng)先的效果。

關(guān)鍵點檢測方法分為基于坐標(biāo)(coordinatebased)、基于熱圖(heatmap-based)、基于熱圖和偏移(heatmap and offset based)的方式，基于坐標(biāo)利用全連接層直接回歸坐標(biāo)點及對應(yīng)的置信度信息，基于熱圖通過預(yù)測關(guān)鍵點的響應(yīng)，在各通道上選取置信度最大值對應(yīng)的坐標(biāo)點基于熱圖和偏移的方法是在熱圖回歸基礎(chǔ)上增加坐標(biāo)偏移量。關(guān)鍵點檢測已廣泛應(yīng)用于人臉[31]、人體[32]、手勢[33]、服裝[34]、車道線[35]等檢測任務(wù)中，襯砌線的識別與車道線、不規(guī)則線段檢測具有相通性。2004 年，Wang 等[36]根據(jù)B-Snake 模型，通過控制一簇控制點來描述曲線對車道線進行擬合，實現(xiàn)車道線的檢測和跟蹤。2009 年，Shi 等[37]將道路圖像劃分為若干像素塊，判斷像素塊內(nèi)是否包含車道線，對包含車道線的像素塊用Hough變換進行線段檢測，最后將所有檢測到的線段連接構(gòu)成車道線。2011 年，Wang 等[38]利用小波變換對車道線邊緣進行檢測，然后將邊緣進行連接得到完整車道線。2020 年，Ko 等[39]將車道線圖像劃分為一個個網(wǎng)格，在網(wǎng)格中定位車道線的關(guān)鍵點，最后通過后處理方法擬合關(guān)鍵點，實現(xiàn)車道線的檢測。2022年，翁佳昊等[40]提出基于路徑搜索的車道線檢測算法，提取車道線特征點構(gòu)成點集，然后對同一點集內(nèi)的點進行曲線擬合，得到車道線。2011年，Li等[41]利用菲涅爾反射系數(shù)和衰減系數(shù)，開發(fā)了一種自動識別襯砌層和估計二襯層厚度的方法。2022 年，Wang 等[42]基于旋轉(zhuǎn)區(qū)域可變形卷積神經(jīng)網(wǎng)絡(luò)(R2DCNN)，實現(xiàn)了探地雷達圖像中任意方向的缺陷、鋼筋、襯砌的自動識別方案。

2 方法原理

本文所提出的基于雷達數(shù)據(jù)隧道襯砌線識別算法是基于探地雷達采集到的雷達B-scan 圖像，通過圖像處理、關(guān)鍵點檢測、曲線擬合的方法，實現(xiàn)隧道雷達波圖像（B-scan）中襯砌線的自動判識。

2.1 襯砌線識別問題定義

對襯砌的典型雷達影像特征進行分析，可知襯砌雷達影像呈現(xiàn)類似不規(guī)則帶狀線形態(tài)，位于拱架上方，如圖1(a)所示，為切分后的雷達B-scan影像片段。考慮到線可以分解為點集，本文采用若干點標(biāo)識出襯砌線的關(guān)鍵特征，如圖1(b)所示。通過網(wǎng)絡(luò)識別出襯砌關(guān)鍵點，即可擬合出襯砌線。本文采用熱圖法的關(guān)鍵點檢測模型設(shè)計本文算法。

圖1 襯砌雷達影像Fig.1 Lining radar image

不同于已有熱圖法，本文在網(wǎng)絡(luò)訓(xùn)練的前10輪過程中，用兩張熱圖學(xué)習(xí)一個關(guān)鍵點信息，其中一個用于描述第i個關(guān)鍵點KP信息，一個用于描述第i個關(guān)鍵點周邊8 個點的信息，通過周圍點信息與該關(guān)鍵點之間的位置矢量進行監(jiān)督，如圖2所示，使網(wǎng)絡(luò)快速收斂至一定范圍。在10輪結(jié)束后，去掉此分支，只計算各關(guān)鍵點間的位置矢量關(guān)系，對關(guān)鍵點位置信息進行準(zhǔn)確預(yù)測。

圖2 關(guān)鍵點KPi及其周圍點的位置矢量圖Fig.2 Vector diagram of the position of the key point KPiand its surrounding points

2.2 整體架構(gòu)

如圖3所示，隧道襯砌識別方法主要包括兩個階段：關(guān)鍵點預(yù)測和曲線擬合。其中，關(guān)鍵點預(yù)測是對輸入主干網(wǎng)絡(luò)的雷達B-scan 圖像進行特征提取，然后根據(jù)關(guān)鍵點檢測模型進行關(guān)鍵點預(yù)測。在訓(xùn)練過程中，前10個epoch網(wǎng)絡(luò)會在輸出每一個關(guān)鍵點的heatmap 基礎(chǔ)上，額外輸出關(guān)鍵點周圍點的heatmap，通過周圍點位置信息的約束力，加速網(wǎng)絡(luò)的收斂，10 輪之后外圍點信息去除，僅保留關(guān)鍵點預(yù)測支路。得到所有襯砌點準(zhǔn)確位置信息后，根據(jù)關(guān)鍵點集進行曲線擬合，得到完整襯砌線。

圖3 隧道襯砌識別算法整體框架Fig.3 Overall framework of the tunnel lining identification algorithm

2.3 網(wǎng)絡(luò)結(jié)構(gòu)

本文模型包括關(guān)鍵點檢測模型與曲線擬合模塊，其中，關(guān)鍵點檢測模型細(xì)分為圖像關(guān)鍵點特征提取和關(guān)鍵點坐標(biāo)回歸。

圖像關(guān)鍵點信息特征提取網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，由卷積層、激活層、池化層和反最大池化層組成，考慮到算法訓(xùn)練的反向傳播過程中梯度消失的問題，使用Resnet殘差連接方式保證參數(shù)可以區(qū)分。網(wǎng)絡(luò)的層級數(shù)量N可根據(jù)訓(xùn)練精度和效率進行調(diào)整，本實驗中N為6。

圖4 特征提取模塊結(jié)構(gòu)圖Fig.4 Structure of the feature extraction module

關(guān)鍵點坐標(biāo)回歸的主要任務(wù)是處理輸出的N個特征圖熱圖與N個關(guān)鍵點坐標(biāo)的對應(yīng)關(guān)系，同時進行二者之間損失值S(p)的計算，其結(jié)構(gòu)如圖5所示。關(guān)鍵點坐標(biāo)回歸模塊使用differentiable spatial to numerical(DSNT)結(jié)構(gòu)，其作用為讓梯度流可以從坐標(biāo)點流到高斯熱圖上，而不增加額外參數(shù)和計算量。對于特征提取模塊輸出的特征熱圖首先進行Softmax 歸一化操作，得到只有一個峰值的離散概率分布，將此離散概率分步輸入至DSNT模塊后可直接獲取坐標(biāo)點信息。

圖5 關(guān)鍵點坐標(biāo)回歸模塊結(jié)構(gòu)圖Fig.5 Structureof the key point coordinate regression module

圖6 關(guān)鍵點位置與中心點位置矢量圖Fig.6 Vector diagram of true key point locations versus vector diagram of possible predicted key point locations

曲線擬合選用BP 神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)擬合，將關(guān)鍵點檢測模型輸出的關(guān)鍵點X=[x1,x2]作為輸入，分別乘以參數(shù)θ0，θ1，…，θM，作為偏置項，記，n=1，i=1，2，…M，表示隱藏層第i個神經(jīng)元的輸出，采用Relu 作為激活函數(shù)，去除網(wǎng)絡(luò)輸出的線性化。最終，整個網(wǎng)絡(luò)的輸出為標(biāo)記了襯砌線的雷達B-scan圖像。如圖3中的輸出所示。

2.4 損失函數(shù)

本文網(wǎng)絡(luò)的損失包括坐標(biāo)回歸正則項，即坐標(biāo)的真實值和預(yù)測值之間的歐幾里得損失值記為，通過熱圖計算的Jensen-Shannon分布正則損失，記為，周圍點和預(yù)測點坐標(biāo)之間的相對位置損失記為，最終關(guān)鍵點預(yù)測網(wǎng)絡(luò)的優(yōu)化目標(biāo)記為Loss。則Loss可表示為：

曲線擬合的損失采用均方誤差值，記為LMSE，可表示為：

最終，整個網(wǎng)絡(luò)的優(yōu)化目標(biāo)為L=Loss+LMSE。

2.5 對抗擾動訓(xùn)練

在對抗擾動訓(xùn)練是在模型訓(xùn)練中，有意在關(guān)鍵點預(yù)測之后輸入神經(jīng)網(wǎng)絡(luò)擬合曲線的向量矩陣中加入圖像噪聲擾動，并訓(xùn)練模型在非擾動和擾動條件下同時達到損失最小。不加擾動的損失函數(shù)表示為Lp，如下式所示：

其中，λp代表權(quán)重平衡因子；MMD()· 表示最大平均差異損失；MSE()· 表示均方誤差損失；E()·表示期望值。

增加擾動的損失函數(shù)表示為：

故總損失函數(shù)表示為：

其中，λa為擾動平衡因子。

3 實驗結(jié)果

3.1 數(shù)據(jù)準(zhǔn)備

從全國各項目段和歷史庫存數(shù)據(jù)中，隨機抽取足量襯砌雷達圖像，經(jīng)隧道項目專家補充、認(rèn)定后，數(shù)據(jù)基本覆蓋所有的實際情況，共計4,799張。標(biāo)注過程使用Labelme工具，標(biāo)注若干連續(xù)關(guān)鍵點構(gòu)成線段以此標(biāo)記襯砌線邊緣，參考圖7、圖8中人工標(biāo)注結(jié)果，最終標(biāo)注關(guān)鍵點總數(shù)達到50,422 個。實際襯砌結(jié)構(gòu)在雷達圖像上具有一定的模糊性和易混性，即輪廓線不明顯、噪聲干擾、與脫空混淆等，如圖9，標(biāo)注出的脫空區(qū)域與襯砌結(jié)構(gòu)形態(tài)類似。整個標(biāo)注工作著重注意關(guān)鍵點和輪廓線的距離和轉(zhuǎn)折拐角是否契合，在相關(guān)專家的協(xié)同、審核下高質(zhì)量完成。

圖7 不同網(wǎng)絡(luò)關(guān)鍵點檢測效果Fig.7 Effect of detection of different network critical points

圖8 不同網(wǎng)絡(luò)預(yù)測關(guān)鍵的曲線擬合效果圖Fig.8 Plot of curve fitting results for different network prediction keys

圖9 脫空結(jié)構(gòu)示意圖Fig.9 Schematic diagram of the separation

針對標(biāo)注好的數(shù)據(jù)，以每個關(guān)鍵點為中心，按高斯的概率形式表現(xiàn)，生成對應(yīng)的熱力圖。將整理制作的襯砌雷達圖像按照3:1:1的比例隨機劃分為訓(xùn)練樣本、驗證樣本和測試樣本，對本文模型進行訓(xùn)練和測試；通過比對目前先進的檢測方法效果，證實本文所提的雷達圖像襯砌線智能判識方法的有效性。

3.2 訓(xùn)練過程

整個訓(xùn)練過程共用到4 張NVIDIA Tesla V100顯卡。一次訓(xùn)練花費12小時左右。各模型收斂情況見圖10，迭代訓(xùn)練120 輪左右模型收斂，相較其他兩種方法訓(xùn)練結(jié)果，本文方法擁有更小的損失，且收斂速度略有加快。

3.3 測試分析

針對測試數(shù)據(jù)，分別用CenterNet、CornerNet及本文方法進行關(guān)鍵點檢測，并將關(guān)鍵點圖像進行輸出，部分結(jié)果如圖7所示。

本文提出的網(wǎng)絡(luò)所預(yù)測的關(guān)鍵點經(jīng)專家評判，最接近襯砌線的關(guān)鍵點，其他網(wǎng)絡(luò)均存在不足。如CenterNet 模型預(yù)測的關(guān)鍵點疏密不均，有些應(yīng)該判為關(guān)鍵點的位置被忽略，甚至出現(xiàn)預(yù)測錯誤的情況，如第2 排圖像所示，對于預(yù)測點數(shù)為12的情況，有6個點預(yù)測在非襯砌線的位置上；CornerNet 模型相較CenterNet 而言，預(yù)測點的情況略勝一籌，但是襯砌線的關(guān)鍵點存在上下浮動略大的情況，且有時也會出現(xiàn)錯誤預(yù)測情況，對于預(yù)測點數(shù)為12個的情況，襯砌線被預(yù)測出8個點，這些點均勻分布在襯砌線上，但是有4個關(guān)鍵點被預(yù)測在非襯砌線位置；而本文所提出的網(wǎng)絡(luò)，能夠很好地對襯砌線關(guān)鍵點進行預(yù)測，所有關(guān)鍵點均勻分布在襯砌線上，本文所提方法對襯砌線關(guān)鍵點的預(yù)測效果最佳。

圖8 展示了各網(wǎng)絡(luò)所生成的關(guān)鍵點及曲線擬合的效果，最終襯砌線的擬合效果取決于關(guān)鍵點預(yù)測的位置信息，關(guān)鍵點稀疏將導(dǎo)致曲線不接近真實襯砌線條，對于同一張輸入圖像，本文方法所擬合的襯砌線最貼合真實襯砌線條，而其他兩個網(wǎng)絡(luò)均存在線條不平滑、與真實襯砌線存在較大差距等缺點。

為進一步測試模型性能和穩(wěn)定性，采集全新的隧道項目數(shù)據(jù)，對網(wǎng)絡(luò)進行定量判定。手動標(biāo)注500 張雷達B-scan 圖像，分別利用CenterNet、CornerNet 及本文網(wǎng)絡(luò)進行關(guān)鍵點的預(yù)測，計算預(yù)測關(guān)鍵點坐標(biāo)與真實點之間的曼哈頓距離、歐氏距離、切比雪夫距離。統(tǒng)計分析各方法下距離誤差值對應(yīng)關(guān)鍵點個數(shù)的關(guān)系，繪制圖11 折線圖。橫坐標(biāo)表示誤差的像素距離，縱坐標(biāo)為對應(yīng)關(guān)鍵點個數(shù)，為方便繪圖，將誤差超過10個像素的關(guān)鍵點統(tǒng)一計入誤差為11個像素的關(guān)鍵點總數(shù)。經(jīng)分析，基于CenterNet 方法的折線頂峰偏右，基于CornerNet方法的折線頂峰居中，基于本文方法的折線頂峰偏左，基于本文方法的預(yù)測結(jié)果相比之下?lián)碛懈〉恼`差。

圖11 不同距離誤差與相應(yīng)關(guān)鍵點個數(shù)統(tǒng)計圖Fig.11 Statistics on error at different distances and the number of corresponding key points

統(tǒng)計所有距離誤差值，計算出詳細(xì)各距離的均值，結(jié)果如表1所示。

表1 預(yù)測關(guān)鍵點與真實關(guān)鍵點距離誤差表Table 1 Error of distances between predicted and true key points

對于襯砌線整體效果定量判定，在已標(biāo)注襯砌線按水平方向100等分選取采樣點，再依據(jù)水平坐標(biāo)在預(yù)測襯砌線上選取采樣點，計算并統(tǒng)計預(yù)測采樣點坐標(biāo)與真實采樣點之間垂直方向的像素點距離，不同距離誤差對應(yīng)采樣點的個數(shù)見圖12，圖中橫坐標(biāo)表示垂直方向上的距離誤差。整體而言，本文方法擁有更小的距離誤差。

圖12 不同垂直距離誤差與相應(yīng)關(guān)鍵點個數(shù)統(tǒng)計圖Fig.12 Statistics on errors at different vertical distances and the corresponding number of key points

統(tǒng)計所有垂直距離誤差值，計算出各方法的誤差均值，計算結(jié)果如表2所示。

表2 預(yù)測采樣點與真實采樣點垂直距離誤差Table 2 Error of vertical distances between predicted and real sampling points

綜上所述，本文方法所預(yù)測的關(guān)鍵點較其他兩種方法更接近在于真實坐標(biāo)信息，本文所提網(wǎng)絡(luò)的襯砌線識別效果最佳，優(yōu)于其他網(wǎng)絡(luò)模型。

4 總結(jié)

通過將采集的探地雷達信號轉(zhuǎn)換成B-scan圖像后，經(jīng)過圖像的預(yù)處理，利用關(guān)鍵點檢測模型和曲線擬合網(wǎng)絡(luò)，對每一張輸入的雷達圖像進行關(guān)鍵點預(yù)測，通過關(guān)鍵點及關(guān)鍵點周圍的信息點對網(wǎng)絡(luò)進行監(jiān)督，以實現(xiàn)前十輪訓(xùn)練過程的快速收斂。采用DSTN模型，通過對高斯分布的熱圖進行監(jiān)督，既提升了預(yù)測精度，成為一種全微分模型的熱圖監(jiān)督法，又具備直接坐標(biāo)回歸方式的空間泛化能力，兼顧了坐標(biāo)回歸和熱圖回歸兩種方式的優(yōu)點，實現(xiàn)襯砌線的智能判識。通過設(shè)計對比實驗，證明本文所提方法的有效性，在實際測試時，能夠準(zhǔn)確測得所有B-scan圖像中的襯砌線，在工程應(yīng)用上具有極大的價值。接下來可對網(wǎng)絡(luò)模型進行多任務(wù)設(shè)計，比如用分割任務(wù)監(jiān)督關(guān)鍵點識別任務(wù)，進一步提升模型有效性。

利益沖突聲明

所有作者聲明不存在利益沖突關(guān)系。