用于确定现实世界对象的语义分割的系统和方法

实施例确定现实世界对象的语义分割。一个此类实施例获得现实世界对象的图像。使用多个视觉变换器(ViT)模型处理所获得的图像以生成多个分割掩码。每一ViT模型被配置成输出对应于相应目标材料的相应分割掩码。使用神经网络组合器模型，基于所述多个分割掩码来生成多相语义分割掩码。训练所述神经网络组合器模型以集成所述多个ViT模型的输出。由此确定所述现实世界对象的语义分割。