本文介绍了一项发表于 arXiv 的研究，题为《Applying Deep Learning for cockpit segmentation in the context of mixed reality》（在混合现实情境下应用深度学习进行驾驶舱分割），由 Alexandre Leles Sousa 等四位作者完成。论文于 2026 年 6 月 2 日提交至 arXiv，归类为计算机视觉与模式识别（cs.CV），并与图形学（cs.GR）交叉相关。该工作曾发表于第 XXV 届巴西自动化大会（CBA 2024），相关 DOI 为 10.20906/CBA2024/4844，arXiv 版本编号为 2606.06520v1，全文约 3.7MB。
研究背景方面，作者指出计算机视觉是一个持续快速发展的领域。随着第一人称视角相关技术的进步，该领域涌现出新的开发机会。混合现实能够构建虚拟环境，并把物理世界中的物体实时呈现在其中。要让这种体验成立，就必须关注用户在这一模拟环境中的沉浸感，努力让虚拟场景尽可能贴近用户所期望的现实。在混合现实中把虚拟图像与真实画面无缝结合，一个关键前提是准确区分图像中的前景与背景，这正是图像分割要解决的问题。
针对这一需求，论文提出了一套图像处理方案，对图像进行分割以识别前景与背景，从而便于虚拟图像与真实图像的融合。研究团队使用 CAT793F 非公路矿用卡车模拟器，通过摄像头采集用户的真实图像，再借助人工智能技术对这些图像执行分割。具体而言，作者采用了两种卷积神经网络架构——U-net 和 DeepLabV3+——来完成图像分割任务，并对二者进行了比较。
在结果方面，论文报告了约 90% 的准确率指标，并在此基础上确定了表现最佳的模型。这一结果说明，基于深度学习的驾驶舱分割在混合现实场景中具备可行性，可为卡车模拟器等训练或仿真系统中的虚实融合提供技术支撑。
值得注意的细节包括：论文标注的提交时间为 2026 年 6 月 2 日 16:43:24 UTC；作者列表显示为 Alexandre Leles Sousa 及另外三位作者；论文摘要中提及的模拟器型号为 CAT793F。研究重点在于图像分割模型的选型与评估，而非完整的混合现实系统实现。总体来看，该工作把深度学习分割方法应用于驾驶舱这一特定场景，为混合现实中前景提取与虚实合成提供了可参考的实践路径。