项目

基于 Swin-L 骨干与 Mask2Former 的生产级道路分割引擎——已在 NVIDIA V100 上部署运行，同时作为 DINOv3 系统的监督参照。

• 坑洞类分割 IoU 76.86（生产验证集持出评估）——决定道路缺陷能否被可靠发现与测量的核心产品指标。
• 在 152 张从未见过的澳大利亚城市街景上零样本达到 60.89 mIoU（15 个类别、含夜景）——模型学会的是「道路」，而不是某个数据集。
• 生产 V100 上单次前向 1.05 秒；支撑上述指标的完整 6 投票测试时增强（TTA）管线单图 1.8 秒。
• 双头设计 + 道路门控假阳性过滤；Swin-L 层次化 Transformer（ImageNet-22K 预训练）+ Mask2Former 掩码与多尺度可变形注意力。
• 与 DINOv3 共享训练基础设施与数据管线，确保监督与自监督方案的公平架构对比。

基于 DINOv3 ViT-L 骨干网络与 Mask2Former 分割头的最先进道路分割系统，在大规模地理空间数据集上训练并部署至生产环境。

• DINOv3 骨干：自监督预训练 ViT-L，3 亿+ 参数，针对多样化道路场景进行微调。
• 自定义多阶段训练管线：渐进式分辨率缩放（512→1024→1536）、混合精度（FP16）、梯度累积实现大等效 batch size。
• 自定义损失设计：边界感知损失保留精细边缘、跨尺度一致性损失保证稳定性，结合标准 Dice + CrossEntropy。
• 自定义注意力与门控模块，实现道路领域特征精炼。
• 自动化检查点管理与训练无缝恢复，支持 80K+ 迭代的长时间实验。

面向道路资产与基础设施的实时目标检测系统，基于最新 YOLO 架构构建。

• YOLO26 架构：最新 anchor-free 检测范式，高级特征金字塔与解耦头设计。
• 针对边缘设备与云端 GPU 实例优化的实时推理性能。
• 面向道路专用目标类别的自定义数据集构建与增强管线。
• 集成共享 ML 基础设施：自动化评估、指标追踪与模型版本管理。