摘要
本发明公开了基于千问大模型指导主干网络进行图像分割的方法，包括：将训练集中的文档图片输入到UNet主干分割网络中，得到特征图；将文档图片和人工设计的提示输入千问2多模态大模型中，获得其隐藏层的特征信息；将特征信息放入可变形代理注意力机制中进行融合，得到语义与视觉特征互相融合的更加完整的信息；将可学习的查询向量和融合信息放入解码器层中等步骤，本发明加快模型的收敛速度，使模型训练更加稳定。不仅可以减少计算开销，降低显存使用，同时还能加强代理量获取的灵活性，让模型更加自适应地学习到合理、有用的知识，得到更加灵活的注意力，有效地通过千问的指导，提高了主干分割网络的性能，对文档图片进行了较为清晰地分割。
