CN114662436A - 一种模拟芯片电路版图人机协同标注系统及方法 - Google Patents

Abstract

本发明公开了一种模拟芯片电路版图人机协同标注系统及方法，该模拟芯片电路版图人机协同标注系统包括版图输入模块、版图自动标注模块、版图标注判断模块、版图人工标注模块和结果展示模块；版图输入模块用于对输入的版图图像进行基础的统一化处理；版图自动标注模块用于将处理过的数据输入边界分割模型生成标注与标注的置信度；版图标注判断模块根据标注模块生成的概率图进行置信度判断；版图人工标注模块，将需要人工标注的版图输出进行人工标注；结果展示模块对版图自动标注模块的标注结果进行随机展示。本发明提供的一种模拟芯片电路版图人机协同标注系统及方法，通过边界分割模型将版图进行分割标注，减少人工成本，以及提升效率。

Description

一种模拟芯片电路版图人机协同标注系统及方法

技术领域

本发明涉及版图标注技术领域，具体涉及一种模拟芯片电路版图人机协同标注系统及方法。

背景技术

新一代人工智能为各行各业实现数字化智能化升级转型和跨跃性发展提供了可行路径。电子设计自动化(Electronic Design Automation，EDA)技术作为集成电路设计的基础工具，被誉为“芯片产业皇冠上的明珠，由于数字集成电路设计中的约束相对简单，其后端设计已实现了高度自动化。而模拟集成电路版图设计的自动化程度远低于数字集成电路，由于模拟集成电路中的约束复杂性，电路结构的结构多样性等多种问题，造成模拟集成电路目前大多数仍为手工设计。缺乏自动化辅助设计的版图工作将变得费时费力且易于出错，延长了版图交付的周期，使得模拟电路的设计成为芯片研发瓶颈。

随着芯片产业与人工智能技术的不断发展，从业人员与学者开始着眼于利用人工智能技术解决模拟芯片设计中的种种问题，然而深度学习应用的基础是需要将版图进行分割，版图中含有大量标注的数据。但复杂的电路版图需要专业技术人员花费大量时间进行标注，这无疑将花费昂贵的人员成本与时间成本。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种模拟芯片电路版图人机协同标注系统及方法，通过边界分割模型将版图进行分割标注，减少人工成本，以及提升效率。

为了解决上述技术问题，本发明实施例提供了一种模拟芯片电路版图人机协同标注系统，所述模拟芯片电路版图人机协同标注系统包括版图输入模块、版图自动标注模块、版图标注判断模块、版图人工标注模块和结果展示模块；

所述版图输入模块用于对输入的版图图像进行基础的统一化处理，所述版图输入模块将处理过的数据传输至版图自动标注模块；

所述版图自动标注模块用于将处理过的数据输入边界分割模型生成标注与标注的置信度，所述版图自动标注模块将生成的标注、置信度以及输入的版图图像传输至版图标注判断模块；

所述版图标注判断模块根据标注模块生成的概率图进行置信度判断，判断输入的版图图像是否需要人工标注的参与；

所述版图人工标注模块，将需要人工标注的版图输出，请求人工标注，人工标注完成后，将标注后的数据传输至版图输入模块；

所述结果展示模块对版图自动标注模块的标注结果进行随机展示。

优选的，所述版图输入模块的第一输入输出端与版图自动标注模块的第一输入输出端电性连接，所述版图自动标注模块的第二输入输出端与所述版图标注判断模块的第一输入输出端电性连接，所述版图标注判断模块的第二输入输出端与所述版图人工标注模块的第一输入输出端电性连接，所述版图标注判断模块的第三输入输出端与所述结果展示模块的输入输出端电性连接，所述版图输入模块的第二输入输出端与所述版图人工标注模块的第二输入输出端电性连接。

优选的，所述边界分割模型采用编码器-解码器的结构；

以Swin Transformer模型作为编码器，Swin Transformer由多层结构的stage组成，第一层stage由线性嵌入层和Swin Transformer block组成，其余stage由patch合并层和Swin Transformer block组成；

解码器结构由多层stage组成，每个stage由patch扩张层和Swin Transformerblock组成，并且每层stage的输入不单是前一层stage的输出，同时还有对应编码器输出的特征图，前一个stage的输出经过patch扩张层，扩大了特征图的尺寸减少了通道数，然后和编码器中对应stage输出进行拼接，拼接后的特征图尺寸不变，通道数变为两者的和。

优选的，所述边界分割模型初始化参数使用COCO分割数据集和VOC分割数据集上进行预训练；使用人工标注的小规模版图数据进行再训练。

优选的，所述使用人工标注的小规模版图数据进行再训练，之后：

输入训练图像，通过边界分割模型预测边界概率图，将生成的概率图与人工标注进行对比，计算加权交叉熵损失值，然后根据反向传播算法，更新模型参数，不断重复训练过程直至达到预设的训练周期数。

优选的，所述输入训练图像过程中，采用加权交叉熵损失函数作为监督信号，给目标图中的正类像素的损失值赋予较大的权重，负类像素的损失值赋予较小的权重，帮助边界分割模型学习边界特征。

优选的，所述判断输入的版图图像是否需要人工标注的参与，包括：

判定结果为需要则将数据送入版图人工标注模块进行人工标注；

判定结果为不需要，则将结果储存，作为临时结果输出到结果展示模块。

相应的，本发明还提供了一种模拟芯片电路版图人机协同标注方法，所述模拟芯片电路版图人机协同标注方法基于上述的模拟芯片电路版图人机协同标注系统实现，模拟芯片电路版图人机协同标注方法包括：

版图输入模块对输入的版图图像进行统一化处理，得到统一化版图数据；

版图自动标注模块基于边界分割模型对统一化版图数据进行分类，生成标注与标注的置信度；

版图标注判断模块根据标注、标注的置信度以及统一化版图数据判断是否需要人工标注；

若是，则将统一化版图数据输入至版图人工标注模块进行人工标注；

若否，则将统一化版图数据输入至结果展示模块展示标注结果。

优选的，所述将统一化版图数据输入至版图人工标注模块进行人工标注，包括：

将人工标注的数据输入至版图输入模块。

优选的，所述边界分割模型采用编码器-解码器的结构；

以Swin Transformer模型作为编码器，Swin Transformer由多层结构的stage组成，第一层stage由线性嵌入层和Swin Transformer block组成，其余stage由patch合并层和Swin Transformer block组成；

解码器结构由多层stage组成，每个stage由patch扩张层和Swin Transformerblock组成，并且每层stage的输入不单是前一层stage的输出，同时还有对应编码器输出的特征图，前一个stage的输出经过patch扩张层，扩大了特征图的尺寸减少了通道数，然后和编码器中对应stage输出进行拼接，拼接后的特征图尺寸不变，通道数变为两者的和。

本发明实施例提供的模拟芯片电路版图人机协同标注系统及方法，通过边界分割模型对版图进行标注，减少人工成本，以及提升效率；版图输入模块、版图自动标注模块、版图标注判断模块和版图人工标注模块形成一个循环，循环的版图数据能够不断对边界分割模型进行训练，边界分割模型更好地学习边界特征，提升效率；边界分割模型通过编码器和解码器对版图数据进行不同的处理，能够准确标注版图的数据以及确定标注的置信度，方便评估版图的标注程度，十分便利；该模拟芯片电路版图人机协同标注系统及方法，通过人工和边界分割模型结合，不断完善边界分割模型，降低了冗余信息。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的模拟芯片电路版图人机协同标注系统的结构示意图。

图2是本发明实施例中的模拟芯片电路版图人机协同标注方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例

图1示出了本发明实施例中的模拟芯片电路版图人机协同标注系统的结构示意图，所述模拟芯片电路版图人机协同标注系统包括版图输入模块101、版图自动标注模块102、版图标注判断模块103、版图人工标注模块104和结果展示模块105；所述版图输入模块101的第一输入输出端与版图自动标注模块102的第一输入输出端电性连接，所述版图自动标注模块102的第二输入输出端与所述版图标注判断模块103的第一输入输出端电性连接，所述版图标注判断模块103的第二输入输出端与所述版图人工标注模块104的第一输入输出端电性连接，所述版图标注判断模块103的第三输入输出端与所述结果展示模块105的输入输出端电性连接，所述版图输入模块101的第二输入输出端与所述版图人工标注模块104的第二输入输出端电性连接。版图输入模块101、版图自动标注模块102、版图标注判断模块103和版图人工标注模块104形成一个循环，循环的数据不断对版图自动标注模块102的边界分割模型进行训练，不断完善边界分割模型，降低了冗余信息。

所述版图输入模块101用于对输入的版图图像进行基础的统一化处理，所述版图输入模块101将处理过的数据传输至版图自动标注模块102；统一化处理是将输入的版图图像进行高斯滤波降噪以及图像尺寸调整，输入的版图图像通过高斯滤波降噪得到较好的图像边缘，使版图图像的尺寸统一，提升处理速度。

所述版图自动标注模块102用于将处理过的数据输入边界分割模型生成标注与标注的置信度，所述版图自动标注模块102将生成的标注、置信度以及输入的版图图像传输至版图标注判断模块103。

所述边界分割模型采用编码器-解码器的结构，以Swin Transformer模型作为编码器，Swin Transformer由多层结构类似的stage组成；第一层stage由线性嵌入层和SwinTransformer block组成，其余stage由patch合并层和Swin Transformer block组成。逐层stage生成的特征图逐步缩小，通道数逐层扩大。初始的stage生成的特征图更大，包含更多的语义信息与细节特征，后部的stage生成的特征图尺寸更小，但感受也更大，包含更全面的信息。线性合并层的作用主要用于进行下采样，用于缩小分辨率，调整通道数。SwinTransformer block，由一个基于window的MSA模块、一个2层的中间带有GELU非线性激活函数的MLP组成。在每个MSA和MLP之前，还应用了一个层归一化，并在每个模块之后都应用了一个残差连接。基于window的MSA模块使得计算量下降，基于shifted window的MSA实现跨窗口的链接。通过在连续的Swin Transformer block间交替使用两种MSA实现了在保持非重叠窗口的高效计算的同时引入跨窗口的连接。解码器结构与Swin Transformer类似，但连接顺序相反，同样由多层stage组成，每个stage由patch扩张层和Swin Transformerblock组成，并且每层stage的输入不单是前一层stage的输出，同时还有对应编码器输出的特征图，前一个stage的输出经过patch扩张层，扩大了特征图的尺寸减少了通道数，然后和编码器中对应stage输出进行拼接，拼接后的特征图尺寸不变，通道数变为两者的和。实现了细节特征与深层特征的融合。解码部分的最后通过一个线性层和softmax层得到版图模块的边界概率图。边界分割模型的编码器读取版图数据特征数据来方便标注，边界分割模型的解码器来版图数据的边界概率，即边界分割模型的解码器计算版图数据的置信度。

边界分割模型通过大量训练数据来深度学习，进而减少边界分割模型拟合现象的发生。边界分割模型初始化参数使用在大规模数据集如COCO分割数据、VOC分割数据集上进行预训练；然后使用人工标注的小规模版图数据进行再训练。输入训练图像，通过边界分割模型预测边界概率图，将生成的概率图与人工标注进行对比，计算加权交叉熵损失值，然后根据反向传播算法，更新模型参数，不断重复训练过程直至达到预设的训练周期数。边界分割模型的本质是判断输入图像的像素点是否属于版图模块边界区域，并判断属于哪一种模块，给出像素点属于某种模块边界的概率。训练过程中，需要最小化损失函数，由于目标边界图中属于边界的像素点数量与不属于边界的像素点数量不均衡，因此采用加权交叉熵损失函数作为监督信号，给目标图中的正类像素的损失值赋予较大的权重，即给目标图中的某种模块的边界像素的损失值赋予较大的权重，负类像素的损失值赋予较小的权重，即非模块边界像素的损失值赋予较小的权重，帮助边界分割模型更好地学习边界特征。

所述版图标注判断模块103根据标注模块生成的概率图进行置信度判断，判断输入的版图图像是否需要人工标注的参与；所述判断输入的版图图像是否需要人工标注的参与；判定结果为需要则将数据送入版图人工标注模块104进行人工标注；判定结果为不需要，则将结果储存，作为临时结果输出到结果展示模块105。版图标注判断模块103根据分割概率图挑选出那些模型难以分割的版图，即每个模块区域中像素的概率平均值不超过0.5，将这些版图传输至版图人工标注模块104，使数据循环不断地对边界分割模型训练，帮助边界分割模型更好地学习边界特征，提升工作效率。

所述版图人工标注模块104，将需要人工标注的版图输出，请求人工标注，人工标注完成后，将标注后的数据与原始数据混合传输至版图输入模块101，以便版图自动标注模块102进行训练，使数据循环不断地对边界分割模型训练，帮助边界分割模型更好地学习边界特征，提升工作效率。

所述结果展示模块105对版图自动标注模块102的标注结果进行随机展示。结果展示模块105可以对版图自动标注结果进行随机展示，用以评估版图自动标注模块102的标注水平是否满足需求。

本发明实施例提供的模拟芯片电路版图人机协同标注系统，通过边界分割模型对版图进行标注，减少人工成本，以及提升效率；版图输入模块101、版图自动标注模块102、版图标注判断模块103和版图人工标注模块104形成一个循环，循环的版图数据能够不断对边界分割模型进行训练，边界分割模型更好地学习边界特征，提升效率；边界分割模型通过编码器和解码器对版图数据进行不同的处理，能够准确标注版图的数据以及确定标注的置信度，方便评估版图的标注程度，十分便利；该模拟芯片电路版图人机协同标注系统及方法，通过人工和边界分割模型结合，不断完善边界分割模型，降低了冗余信息。

图2示出了本发明实施例中的模拟芯片电路版图人机协同标注方法的流程示意图，所述模拟芯片电路版图人机协同标注方法基于上述的模拟芯片电路版图人机协同标注系统实现，模拟芯片电路版图人机协同标注系统，模拟芯片电路版图人机协同标注方法包括：

S1：版图输入模块对输入的版图图像进行统一化处理，得到统一化版图数据；

版图输入模块101对输入的版图图像进行统一化处理，统一化处理是将输入的版图图像进行高斯滤波降噪以及图像尺寸调整，输入的版图图像通过高斯滤波降噪得到较好的图像边缘，使版图图像的尺寸统一，得到统一化版图数据。

S2：版图自动标注模块基于边界分割模型对统一化版图数据进行分类，生成标注与标注的置信度；

所述版图自动标注模块102用于将处理过的数据输入边界分割模型生成标注与标注的置信度，所述版图自动标注模块102将生成的标注、置信度以及输入的版图图像传输至版图标注判断模块103；

所述边界分割模型采用编码器-解码器的结构，以Swin Transformer模型作为编码器，Swin Transformer由多层结构类似的stage组成；第一层stage由线性嵌入层和SwinTransformer block组成，其余stage由patch合并层和Swin Transformer block组成。逐层stage生成的特征图逐步缩小，通道数逐层扩大。初始的stage生成的特征图更大，包含更多的语义信息与细节特征，后部的stage生成的特征图尺寸更小，但感受也更大，包含更全面的信息。线性合并层的作用主要用于进行下采样，用于缩小分辨率，调整通道数。SwinTransformer block，由一个基于window的MSA模块、一个2层的中间带有GELU非线性激活函数的MLP组成。在每个MSA和MLP之前，还应用了一个层归一化，并在每个模块之后都应用了一个残差连接。基于window的MSA模块使得计算量下降，基于shifted window的MSA实现跨窗口的链接。通过在连续的Swin Transformer block间交替使用两种MSA实现了在保持非重叠窗口的高效计算的同时引入跨窗口的连接。解码器结构与Swin Transformer类似，只是连接顺序相反，同样由多层stage组成，每个stage由patch扩张层和Swin Transformerblock组成，并且每层stage的输入不单是前一层stage的输出，同时还有对应编码器输出的特征图，前一个stage的输出经过patch扩张层，扩大了特征图的尺寸减少了通道数，然后和编码器中对应stage输出进行拼接，拼接后的特征图尺寸不变，通道数变为两者的和。实现了细节特征与深层特征的融合。解码部分的最后通过一个线性层和softmax层得到版图模块的边界概率图。边界分割模型的编码器读取版图数据特征数据来方便标注，边界分割模型的解码器来版图数据的边界概率，即边界分割模型的解码器计算版图数据的置信度。

边界分割模型通过大量训练数据来深度学习，进而减少边界分割模型拟合现象的发生。边界分割模型初始化参数使用在大规模数据集如COCO分割数据、VOC分割数据集上进行预训练；然后使用人工标注的小规模版图数据进行再训练。输入训练图像，通过边界分割模型预测边界概率图，将生成的概率图与人工标注进行对比，计算加权交叉熵损失值，然后根据反向传播算法，更新模型参数，不断重复训练过程直至达到预设的训练周期数。边界分割模型的本质是判断输入图像的像素点是否属于版图模块边界区域，并判断属于哪一种模块，给出像素点属于某种模块边界的概率。训练过程中，需要最小化损失函数，由于目标边界图中属于边界的像素点数量与不属于边界的像素点数量不均衡，因此采用加权交叉熵损失函数作为监督信号，给目标图中的正类像素的损失值赋予较大的权重，即给目标图中的某种模块的边界像素的损失值赋予较大的权重，负类像素的损失值赋予较小的权重，即非模块边界像素的损失值赋予较小的权重，帮助模型更好地学习边界特征。

S3：版图标注判断模块根据标注、标注的置信度以及统一化版图数据判断是否需要人工标注；

版图标注判断模块103根据分割概率图挑选出那些模型难以分割的版图，即每个模块区域中像素的概率平均值不超过0.5，将这些版图传输至版图人工标注模块104，使数据循环不断地对边界分割模型训练，帮助边界分割模型更好地学习边界特征。

S4：若是，则将统一化版图数据输入至版图人工标注模块进行人工标注；

所述版图人工标注模块104，将需要人工标注的版图输出，请求人工标注，人工对属于版图模块边界区域的图像的像素点进行标记，人工标注完成后，将人工标注的数据与原始数据混合传输至版图输入模块101，即重新开始步骤S1，将数据再次输入版图输入模块101以便版图自动标注模块102进行训练，使数据循环不断地对边界分割模型训练，帮助边界分割模型更好地学习边界特征，提升工作效率。

S5：若否，则将统一化版图数据输入至结果展示模块展示标注结果。

所述结果展示模块105对版图自动标注模块102的标注结果进行随机展示。结果展示模块105可以对版图自动标注结果进行随机展示，用以评估版图自动标注模块102的标注水平是否满足需求。

模拟芯片电路版图人机协同标注方法，能够不断循环对版图进行标注，直至版图标注完成，通过结果展示模块105对版图自动标注模块102的标注结果进行随机展示，边界分割模型在不断的训练，帮助边界分割模型更好地学习边界特征，提升工作效率。

本发明实施例提供的模拟芯片电路版图人机协同标注系统及方法，通过边界分割模型对版图进行标注，减少人工成本，以及提升效率；版图输入模块101、版图自动标注模块102、版图标注判断模块103和版图人工标注模块104形成一个循环，循环的版图数据能够不断对边界分割模型进行训练，边界分割模型更好地学习边界特征，提升效率；边界分割模型通过编码器和解码器对版图数据进行不同的处理，能够准确标注版图的数据以及确定标注的置信度，方便评估版图的标注程度，十分便利；该模拟芯片电路版图人机协同标注系统及方法，通过人工和边界分割模型结合，不断完善边界分割模型，降低了冗余信息。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。

另外，以上对本发明实施例进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种模拟芯片电路版图人机协同标注系统，其特征在于，所述模拟芯片电路版图人机协同标注系统包括版图输入模块、版图自动标注模块、版图标注判断模块、版图人工标注模块和结果展示模块；

所述版图输入模块用于对输入的版图图像进行基础的统一化处理，所述版图输入模块将处理过的数据传输至版图自动标注模块；

所述版图自动标注模块用于将处理过的数据输入边界分割模型生成标注与标注的置信度，所述版图自动标注模块将生成的标注、置信度以及输入的版图图像传输至版图标注判断模块；

所述版图标注判断模块根据标注模块生成的概率图进行置信度判断，判断输入的版图图像是否需要人工标注的参与；

所述版图人工标注模块，将需要人工标注的版图输出，请求人工标注，人工标注完成后，将标注后的数据传输至版图输入模块；

所述结果展示模块对版图自动标注模块的标注结果进行随机展示。

2.根据权利要求1所述的模拟芯片电路版图人机协同标注系统，其特征在于，所述版图输入模块的第一输入输出端与版图自动标注模块的第一输入输出端电性连接，所述版图自动标注模块的第二输入输出端与所述版图标注判断模块的第一输入输出端电性连接，所述版图标注判断模块的第二输入输出端与所述版图人工标注模块的第一输入输出端电性连接，所述版图标注判断模块的第三输入输出端与所述结果展示模块的输入输出端电性连接，所述版图输入模块的第二输入输出端与所述版图人工标注模块的第二输入输出端电性连接。

3.根据权利要求1所述的模拟芯片电路版图人机协同标注系统，其特征在于，所述边界分割模型采用编码器-解码器的结构；

以Swin Transformer模型作为编码器，Swin Transformer由多层结构的stage组成，第一层stage由线性嵌入层和Swin Transformer block组成，其余stage由patch合并层和Swin Transformer block组成；

解码器结构由多层stage组成，每个stage由patch扩张层和Swin Transformer block组成，并且每层stage的输入不单是前一层stage的输出，同时还有对应编码器输出的特征图，前一个stage的输出经过patch扩张层，扩大了特征图的尺寸减少了通道数，然后和编码器中对应stage输出进行拼接，拼接后的特征图尺寸不变，通道数变为两者的和。

4.根据权利要求1所述的模拟芯片电路版图人机协同标注系统，其特征在于，所述边界分割模型初始化参数使用COCO分割数据集和VOC分割数据集上进行预训练；使用人工标注的小规模版图数据进行再训练。

5.根据权利要求4所述的模拟芯片电路版图人机协同标注系统，其特征在于，所述使用人工标注的小规模版图数据进行再训练，之后：

输入训练图像，通过边界分割模型预测边界概率图，将生成的概率图与人工标注进行对比，计算加权交叉熵损失值，然后根据反向传播算法，更新模型参数，不断重复训练过程直至达到预设的训练周期数。

6.根据权利要求5所述的模拟芯片电路版图人机协同标注系统，其特征在于，所述输入训练图像过程中，采用加权交叉熵损失函数作为监督信号，给目标图中的正类像素的损失值赋予较大的权重，负类像素的损失值赋予较小的权重，帮助边界分割模型学习边界特征。

7.根据权利要求1所述的模拟芯片电路版图人机协同标注系统，其特征在于，所述判断输入的版图图像是否需要人工标注的参与，包括：

判定结果为需要则将数据送入版图人工标注模块进行人工标注；

判定结果为不需要，则将结果储存，作为临时结果输出到结果展示模块。

8.一种模拟芯片电路版图人机协同标注方法，其特征在于，所述模拟芯片电路版图人机协同标注方法基于权利要求1至7任一项所述的模拟芯片电路版图人机协同标注系统实现，模拟芯片电路版图人机协同标注方法包括：

版图输入模块对输入的版图图像进行统一化处理，得到统一化版图数据；

版图自动标注模块基于边界分割模型对统一化版图数据进行分类，生成标注与标注的置信度；

版图标注判断模块根据标注、标注的置信度以及统一化版图数据判断是否需要人工标注；

若是，则将统一化版图数据输入至版图人工标注模块进行人工标注；

若否，则将统一化版图数据输入至结果展示模块展示标注结果。

9.根据权利要求8所述的模拟芯片电路版图人机协同标注所述，其特征在于，所述将统一化版图数据输入至版图人工标注模块进行人工标注，包括：

将人工标注的数据输入至版图输入模块。

10.根据权利要求8所述的模拟芯片电路版图人机协同标注所述，其特征在于，所述边界分割模型采用编码器-解码器的结构；

以Swin Transformer模型作为编码器，Swin Transformer由多层结构的stage组成，第一层stage由线性嵌入层和Swin Transformer block组成，其余stage由patch合并层和Swin Transformer block组成；

解码器结构由多层stage组成，每个stage由patch扩张层和Swin Transformer block组成，并且每层stage的输入不单是前一层stage的输出，同时还有对应编码器输出的特征图，前一个stage的输出经过patch扩张层，扩大了特征图的尺寸减少了通道数，然后和编码器中对应stage输出进行拼接，拼接后的特征图尺寸不变，通道数变为两者的和。

Images