【人工智能】软著申请&模型改进-2025年3月9日人工智能组会总结

此次组会无新阅读论文的汇报，汇报内容如下。

关于软著

郭学长在本周三给了我一个写AI模型结合前后端来搭建一个真正可用的Web应用的机会。我使用两天时间将它实现了——基于UNetFormer的城市绿地智能提取算法软件。软件的截图和具体内容就不涉及了，接下来要申请软著。

要将一个计算机视觉领域的模型做出实际的应用。第一步就是将模型测试数据集的代码改造为测试单张图片，这样才能将上传的图片预测获得结果图片。第二步将整个测试单张图片的代码改造为模型预测类，可以在构造函数中设置一些必要的参数，例如配置文件路径等等，同时也可以进行模型的加载（毕竟预测图片时不可能每次都加载一次模型，这样太浪费时间了）。接着写一个预测类，传入待预测图片，返回预测结果。第三步开始写Flask后端代码。小型项目建议直接用Flask，开发非常快。最后根据接口写前端，如果是在不会写可以借助AI工具生成前端页面。这样一个应用就完成了，核心点还是在于将数据集的测试代码改为单张图片预测代码。

申请软著的其他注意事项：

【会议转录】软件著作权申请注意事项——贾老师

25天前

010013

关于模型改进

基本实现MSC-FFN模块的改进，还有对于ShiftingNet的添加BN层的改进。接下来继续改进WindowMSA模块和研究ShiftingNet的代码细节。关于遥感图像要多关注各个类别的mIoU或者其他指标，可以尝试使用带状卷积或者条形卷积。

一些经验总结

一个模型当样本量不多时，模型复杂度越高，可能最终的效果越差。

聚类任务指标：

1. CA（Cluster Accuracy，聚类准确率）是一种衡量聚类结果准确性的指标，它计算正确分配到同一簇中的样本比例。
2. ARI（Adjusted Rand Index，调整兰德指数）用于比较两个聚类结果的相似性，取值范围在[-1,1]之间，值越接近 1 表示两个聚类结果越相似。
3. NMI（Normalized Mutual Information，标准化互信息）也是衡量两个聚类结果相似性的指标，取值范围在[0,1]之间，值越大表示两个聚类结果越相似。

找论文其实没有代码的话，不值得看。一是无法验证论文真实性和论文有效性，二来如果模型有效也无法直接拿来代码融入自己模型进行测试。一般都是大致看一下摘要和介绍，之后复现模型，最后在深入阅读论文对比代码。