设计青年谈
岳满, 李潇鹏, 李正
研究面向清代旗鞋装饰纹样的自动化检测,系统评估模型架构、标注策略与优化方法对性能的影响,并探讨任务定义在技术选型中的关键作用。方法上,设计了“宏观整体”与“宏观-分块联合”两种标注方案,分别在不同任务设定下对YOLOv8与YOLOv11系列进行对比评测;同时引入谱空间注意力模块(SSAM),并结合基于预训练权重的迁移学习开展细粒度类别分析与消融实验。主要结果表明:SSAM在大型模型(YOLOv8x)上带来显著提升,但其收益对基础模型容量高度敏感;最优模型选择依赖于标注策略,在宏观整体任务中,YOLOv8x表现最佳,且YOLOv8系列整体优于同规模的YOLOv11系列;类别层面存在明显差异,其中文字纹样检测相对稳定,而动物纹样识别为主要挑战。研究发现,迁移学习是获取高性能的关键因素,其贡献显著超过单一结构性改进;确立“以任务定义驱动技术选型”的范式,可为文化遗产数字化中的细粒度目标检测提供实证依据与方法参考。