创业生态系统中的隐性进展:协调阈值、反馈主导性与政策评估的结构性盲区

《Systems》:Invisible Progress in Entrepreneurial Ecosystems: Coordination Thresholds, Feedback Dominance, and the Structural Blind Spots of Policy Evaluation

【字体: 大 中 小 】 时间:2026年07月12日 来源:Systems 3.8

编辑推荐:

  徽州建筑遗产图像是区域遗产记录、数字归档与保护支持的重要视觉材料。然而,徽州建筑在视觉线索上与江南白墙灰瓦建筑及其他视觉相似的古典中式建筑形式存在大量重叠。在实际图像归档中,关键风险不仅在于模型能否取得较高的四分类准确率,更在于视觉相似的古典中式建筑是否被错误

  
徽州建筑遗产图像是区域遗产记录、数字归档与保护支持的重要视觉材料。然而,徽州建筑在视觉线索上与江南白墙灰瓦建筑及其他视觉相似的古典中式建筑形式存在大量重叠。在实际图像归档中,关键风险不仅在于模型能否取得较高的四分类准确率,更在于视觉相似的古典中式建筑是否被错误归档为徽州建筑。为解决该问题,研究人员构建了HuizhouStyle?4C图像识别任务,并提出一种面向可靠性的徽州建筑遗产图像归档评估流程。该流程结合了组感知泄漏控制(group?aware leakage control)、硬边界诊断(hard?boundary diagnosis)与袋外(out?of?fold, OOF)安全的固定决策规则。进一步采用结构感知基线分类器SAB?ResNet,将建筑边界与立面结构线索纳入识别过程。评估包括组感知五折交叉验证、来自精标数据集的独立留出子集(independent holdout subset),以及聚焦于徽州建筑与视觉相似古典中式样本区分的硬边界测试。在该数据集内留出评估设定下,OOF安全平衡点取得了独立留出宏F1(Independent Holdout Macro?F1)为0.9501,硬二分类F1(Hard Binary F1)为0.8182。结果表明,徽州建筑遗产图像归档不仅受益于常规四分类识别,还受益于对近邻误分类风险的显式诊断,以及在不使用测试集标签情况下选择的固定决策规则。更强的主干网络对比进一步表明,具有竞争力的留出四分类性能并不能消除对硬边界诊断的需求。
研究背景方面,建筑遗产不仅是历史空间的物质遗存,也是地域文化、营造知识与集体记忆的重要视觉载体。在遗产研究与保护中,大量历史与乡土建筑分布于村落、城市街区和归档图像集合中,全面人工记录成本高且耗时长。传统实地调查与专家评估仍不可或缺,但在大规模图像材料整理与审查时,常在效率、覆盖度与一致性上受限。随着数字保护、文化资源调查与图像档案管理的发展,计算机视觉方法日益有助于辅助建筑遗产图像的组织、检索与初筛。建筑风格识别不同于普通物体或场景分类,其标签常与建筑类型学、地域文化归属及保护阐释相关,判断依据包括屋顶轮廓、山墙形式、立面构成、材料纹理、构件关系及聚落尺度空间特征等。对于地域性建筑遗产,误分类不仅影响图像检索,还可能波及后续归档标注与保护管理,因此具有强地域与风格相似性的识别流程应纳入泄漏控制与边界风险诊断机制。徽州建筑作为代表性地域传统建筑,常与白墙、黛瓦、马头墙、木石雕饰、紧凑院落与密集村落肌理相关联,但这些线索并非徽州独有,江南民居、地域乡土建筑、寺观园林等古典中式建筑在色彩、材质、屋顶形式与街巷尺度上与之高度相似。实践中更敏感的风险在于视觉相似的古典中式建筑被误归为徽州建筑,即近邻混淆的硬边界问题(hard?boundary problem)。现有研究多报告目标类别是否有效识别,较少检验模型在视觉相似地域风格边界附近的决策可靠性,且常用准确率与宏F1(Macro?F1)可能掩盖关键类别间非对称误差,尤其是古典中式被误判为徽州的假阳性风险。通用视觉模型虽表征能力强,但在小规模专业建筑数据集中仍可能依赖颜色、纹理与背景线索,因而需要结构感知证据与显式误差诊断。基于此,研究人员开展面向可靠性的徽州建筑遗产图像归档研究,构建HuizhouStyle?4C四分类识别任务,结合组感知泄漏控制、硬边界诊断与OOF安全固定决策规则,评估并降低近邻误分类风险,采用结构感知基线分类器SAB?ResNet强化建筑边界与立面结构线索利用,最终在数据集内留出评估下取得独立留出宏F1为0.9501与硬二分类F1为0.8182的结果,说明四分类性能强劲并不能消除近邻误分类风险,剩余假阳性集中于江南白墙灰瓦样本,需在专家复核中优先关注。该研究发表于《Systems》。
关键技术方法方面,研究人员构建HuizhouStyle?4C四分类数据集,来源包括中国传统聚落图像源、Kaggle Architectural Styles、Wikimedia Commons等公开或研究用建筑图像源,经质量筛选、建筑主体核验、类别复审、重复与近重复检查及组感知整合后保留5025幅图像并组织为4185个视觉或来源组(group),以group_id控制同建筑、近重复与多视角泄漏;数据划分为train_cv_pool、independent holdout与hard?boundary test三组组互斥子集;采用组感知五折交叉验证(group?aware five?fold cross?validation)生成OOF(out?of?fold)预测以选定OOF安全固定决策规则;提出结构感知分类器SAB?ResNet(Structure?Aware Baseline ResNet),在ImageNet预训练ResNet50主干上引入Sobel引导结构分支、结构引导注意力(Structure?Guided Attention, SGA)、建筑细节注意力(Architectural Detail Attention, ADA)及徽州与古典中式边界辅助头(boundary auxiliary head),并在训练中采用组硬边界采样(Group?Hard?Boundary, GHB Sampling)与边界辅助损失,推理阶段采用多裁剪测试与OOF安全决策偏移调整。
研究结果部分,各小节内容如下。
  1. 1.
    Introduction中,研究人员阐述建筑遗产数字化背景下图像识别应作为辅助与可审计工具,指出徽州与古典中式建筑视觉相似性导致的硬边界问题,明确三项研究空白:缺乏徽州与相似古典中式边界关注、聚合指标掩盖非对称误差、通用模型依赖非结构线索,从而提出结合组感知泄漏控制、硬边界诊断与OOF安全固定规则的可靠性导向流程,并以SAB?ResNet为结构感知基线支持评估。
  2. 2.
    Materials and Methods中,研究人员设计五步可靠性导向流程:构建四分类数据集、以group_id组织视觉相关图像、分离四分类评价与硬边界诊断、引入结构感知分类器、基于OOF预测固定决策规则;详述HuizhouStyle?4C的四类标签定义与子类元数据记录、混合候选检索与人工确认生成group_id的泄漏审计、组感知五折交叉验证与OOF预测生成、独立留出集与硬边界测试集的用途区分、硬边界测试将硬徽州样本作为正类而古典中式硬负样本作为负类并定义相应指标;SAB?ResNet部分说明Sobel梯度计算与边缘强度图作为无额外标注的结构线索、SGA以残差门控增强建筑边界相关特征、ADA沿通道与空间维度重校准细节特征、边界辅助头以权重λb=0.3参与总损失函数?total=?ce+λb?b;训练策略中GHB采样在B4配置下设定徽州0.30、硬古典中式0.30、基古典中式0.15、西方0.125、现代0.125的比例,采用AdamW优化器、初始学习率3×10?4、权重衰减0.05、3轮预热与余弦衰减、最大50轮与耐心10的早期停止,验证测试采用438缩放后384×384中心裁剪及B4的三裁剪加权;OOF安全固定决策规则在OOF预测上搜索类别决策偏移(徽州与古典中式?0.12至0.12步长0.005,西方与现代固定0),选定召回优先、平衡与假阳性优先三操作点并以温度系数T=1.0调整得分?c=sc+δc后取argmax;更强主干对比包括ConvNeXt?Tiny、EfficientNet?B4、Swin?Tiny、ViT?B/16与微调CLIP ViT?B/16,均在同一划分与OOF安全规则下评估且不引入SAB模块。
  3. 3.
    Experimental Results and Analysis中,研究人员设置五方面分析。3.1阐明以B0–B4消融、OOF安全规则、独立留出评价、硬边界测试、子类诊断与Grad?CAM可视化为顺序。3.2的消融研究表明,B0(ResNet50)独立留出宏F1为0.9116但江南假阳性(Jiangnan FP)达0.252;B1(加GHB采样)降至0.170却伴随整体指标下降;B2(SAB?ResNet)提升独立留出宏F1但未降江南FP;B3(二者结合)硬二分类F1为0.7932、古典召回(4C)为0.8940;B4原始配置综合更优但江南FP仍0.212,说明四分类性能与硬边界可靠性需分开评价,GHB更直接抑制江南假阳性而SAB强化结构表征,B4原始为后续OOF安全分析提供基础。3.3的OOF安全固定规则显示,B4平衡点在独立留出宏F1从0.9341升至0.9501、硬二分类F1从0.7980升至0.8182,徽州召回维持0.7800,古典召回(4C)达0.9300;召回优先点徽州召回0.7867;假阳性优先点古典召回(4C)0.9467、江南FP降至0.140但徽州召回降至0.7400。3.4的更强主干对比显示,CLIP ViT?B/16与ConvNeXt?Tiny固定规则独立留出宏F1分别为0.9469与0.9466,B4平衡点为0.9501;硬二分类F1各主干0.7943–0.8123、江南FP为0.1900–0.2400,B4为0.8182与0.1900,表明更强主干仍存硬边界风险。3.5的独立留出评价中,B4平衡点各类F1为徽州0.9273、古典中式0.9097、西方0.9799、现代0.9835,宏F1为0.9501。3.6的硬边界测试显示,平衡点正确识别117个硬徽州样本、误分33个,300硬负样本中281未被判为徽州、19被判徽州,硬二分类F1为0.8182、徽州召回0.7800、非徽州传统建筑二元召回0.9367;四分类视角下279硬负样本预测为古典中式(古典召回(4C)0.9300),其余2为非徽州其他类。3.7的剩余误差来源分析表明,19例徽州假阳性全来自100例江南白墙灰瓦样本(假阳性率0.19),乡土民居与寺观园林无假阳性;置信度分布显示正确与错误预测重叠,不能仅靠置信阈值过滤;Grad?CAM可见正确徽州样本关注屋顶轮廓、山墙边缘等结构边界,江南假阳性集中于白墙黛瓦与街巷透视等共享场景,硬徽州漏判多因马头墙等徽州特有形态证据不足而被归为古典中式。
讨论部分总结为,实验结果表明常规四分类识别与硬边界可靠性是相关但不同的评价目标,高四分类性能不足以评估模型处理视觉相似邻近风格的能力,剩余边界风险集中于江南白墙灰瓦样本而非所有古典中式硬负亚型;组感知划分降低同建筑近重复带来的性能虚高,硬边界测试使近邻误分类显见,OOF安全固定规则降低以测试标签选操作点的风险,研究价值在于结合泄漏控制、硬边界诊断、结构感知识别与测试标签安全决策规则选择的可靠性导向流程。局限包括HuizhouStyle?4C规模与来源多样有限且未完整保留每图源URL而不再分发、独立留出与硬边界均来自同一精标数据集而非第三方外部集故结果为数据集内留出表现、图像级识别虽有结构线索但未证明模型学习显式建筑构件、当前为封闭集识别而实际档案含未知风格与混合建筑等。未来应关注跨机构数据集、江南类边界样本、构件级标注、开放集与不确定性估计及可持续目标(SDGs)导向的人机协同归档流程。
结论部分翻译为:本研究提出了一种面向可靠性的徽州建筑遗产图像归档流程。该流程不是仅将任务视为常规四分类识别,而是结合了组感知泄漏控制、硬边界诊断、结构感知基线分类器与OOF安全固定决策规则选择。在当前的精标数据集与数据集内留出评估设定下,B4 OOF安全平衡点取得了独立留出宏F1为0.9501与硬二分类F1为0.8182。结果表明,强劲的四分类识别并不能完全消除近邻误分类风险。特别是剩余的徽州假阳性主要出现在江南白墙灰瓦样本中,意味着在专家人工复核中应优先关注该亚型。总体而言,研究表明,在当前的数据集与任务设定内,建筑遗产图像归档可能受益于泄漏感知的数据划分、显式的硬边界评估与在不使用测试集标签情况下固定的决策规则。未来工作应聚焦于独立收集的跨区域数据集、江南类边界样本、构件级建筑标注、开放集识别、不确定性估计以及结合自动筛选、边界风险预警、基于不确定性的优先级排序、专家确认、归档管理与保护决策支持的可持目标(SDGs)导向人机协同归档流程,以检验跨机构与现实世界的泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号