用深度学习算法的图像识别功能，预测材料的火灾热释放速率，目前已有实验取得图像与热释放速率值对应的数据集

1.超级管理员
用户管理：增删改查所有用户信息，重置密码
题目管理：审核所有题目（通过/驳回），修改任意题目内容，删除题目
竞赛管理：创建/修改/删除所有竞赛，强制结束进行中竞赛，审核竞赛发布申请
系统监控：查看判题服务状态、系统日志、提交队列情况
数据管理：导出全量数据（题目、用户、提交记录），系统备份与恢复
权限管理：分配/撤销普通管理员权限
2.普通管理员
题目管理：调用豆包/小米Mimo大模型接口输入关键字批量生成题目（题干、输入输出样例、测试用例）、优化题目描述、自动生成基础测试数据；创建新题目（状态为草稿），编辑自己创建且已审核通过的题目，查看题目提交统计
竞赛管理：创建竞赛（状态为待审核），管理自己创建的竞赛（未开始前可修改），查看竞赛参与数据
数据查看：查看所有用户的做题进度和统计数据（只读）
禁止操作：用户管理、系统设置、删除他人创建的内容、审核他人题目/竞赛
3. 用户
题目操作：查看已发布的题目列表和详情，提交代码判题，查看自己的提交历史和结果
竞赛参与：查看已发布的竞赛，加入进行中的竞赛，提交竞赛题目代码
个人中心：修改个人信息（密码、邮箱），查看通过题数，
管理错题本：自动收录错误提交题目，支持重新提交
禁止操作：创建题目、管理竞赛、查看他人提交记录、访问任何管理界面

一、顾客端功能模块（微信小程序）
1. 用户中心
注册/登录（支持手机号+验证码）
个人信息管理（姓名、身份证、联系方式）
2. 客房服务
客房浏览：按房型/价格筛选，查看房间实拍图和设施，支持视频浏览和图文浏览
在线预订：选择入住/离店日期 → 选房型 → 提交订单 → 支付（模拟支付即可）
在线退房：申请退房，系统自动计算费用
3. 增值服务
早餐预订（可选）
叫醒服务设置（时间选择）
无线网连接提示
4、订单管理：查询历史订单、、取消订单、查看订单详情（订单号、房型、金额、状态）
5、投诉建议（提交文字内容）：将异常状况提交给前台工作人员，包括服务不满意、设施故障等
6、发表评论
7、实时聊天：点击"联系客服"按钮，与前台客服一对一对话，支持发送文字、表情（图片可选做）

二、前台工作人员功能模块（Web端）
1. 入住管理
办理入住：输入订单号 → 验证身份 → 分配房号 → 制作房卡（状态变更即可）
办理退房：查房确认 → 结算费用 → 释放房态
续住办理：延长离店日期，补交押金
2. 订单管理
订单查询：按姓名/手机号/订单号检索
订单修改：修改入住人信息、房型升级（差价计算）
现场预订：为到店顾客快速下单（同顾客端流程，后台操作）
3. 房态监控
实时房态图：可视化查看所有房间状态（空闲/已预订/入住/维修中），不同状态用不同的颜色标注
房态变更：手动调整房间状态（如临时维修）
4. 客户服务
处理顾客投诉建议（查看、回复、标记处理状态）
叫醒服务管理（查看当日叫醒列表）
5.实时聊天
6.工单创建与分配：包括维修工单、打扫工单、投诉工单

三、维修打扫人员功能模块（Web端）
1. 工单管理
待办工单：查看分配给自己的维修/打扫任务
工单处理：点击"开始处理"→"处理完成"，上传处理结果照片（可选）
工单历史：查看自己完成的历史工单记录
2. 房态上报
房间检查：查房后上报房间状态（正常/需维修）
房态更新：打扫完成后将"脏房"标记为"干净房"

四、管理员功能模块（Web端）
1. 基础数据管理
房型管理：增删改查房型信息（名称、价格、床型、可住人数、房间图片）
房间管理：批量导入房间号，绑定房型，设置初始状态
员工管理：添加/编辑前台、维修、打扫人员账号，分配角色
2. 房态与价格策略
房态总览：查看所有楼层房间状态分布
房价设置：平日价、周末价、节假日价调整
房态强制调整：如遇特殊情况，手动修改房间状态
3. 订单与财务管理
订单监控：查看所有订单列表，可手动取消异常订单
收入统计：按日/月/年统计营业额（简单求和，图表展示）
报表导出：导出订单Excel表
4. 系统设置
参数配置：酒店名称、地址、联系电话设置
权限管理：简化版，直接分配角色（不用细粒度权限）
日志查看：查看关键操作记录（登录、房态变更）

增添一个用户可主动训练模型的功能，然后写论文，要一直修改

有一些辅助功能，计算器，法条查询，支付系统等等，具体情况需要和甲方联系
接单限北京地区，需要签线下合同
必须是全栈工程师，要有项目经验，后期需要上线

电影推荐系统添加知识图谱和智能问答

与甲方沟通

要写论文，ppt，项目，开题报告，中期检查表，与毕设有关的所有文档
社区图书管理系统的设计与实现以Web开发技术原理、分层架构设计原理、关系型数据库原理为核心支撑，同时融合权限控制、数据交互等关键技术原理，为系统的稳定运行和功能实现提供理论基础。从Web开发技术原理来看，当前主流的图书管理系统多基于B/S（浏览器/服务器）架构开发，该架构通过浏览器作为客户端交互载体，服务器端负责业务逻辑处理和数据存储，具有跨平台、易部署、无需安装客户端的优势，适配社区图书馆管理员与读者的多样化使用场景[2][3][7]。赵越超等基于JavaEE技术开发的图书管理系统，正是依托B/S架构实现了客户端与服务器端的高效通信，验证了该架构在图书管理场景的适用性[2]；黄波采用的PHP+MySQL技术栈，同样遵循B/S架构原理，通过PHP脚本语言实现服务器端逻辑处理，MySQL实现数据存储，形成完整的Web应用开发闭环[3]。
分层架构设计原理是保障系统代码可维护性、可扩展性的核心原理，其核心思想是将系统按功能划分为不同层级，各层级职责单一、接口清晰，实现解耦。典型的分层架构包括前端页面、控制层、服务层、数据访问层，该原理在多款图书管理系统中得到成功应用[2][7]。例如，赵越超等设计的JavaEE图书管理系统，通过控制层接收前端请求、服务层封装业务逻辑、数据访问层操作数据库，各层级协同工作又相互独立，便于后期功能迭代[2]；李媛莉开发的Web学生信息管理系统，同样采用分层架构，有效提升了系统的开发效率和维护便捷性[7]。在数据交互原理方面，前后端通过HTTP/HTTPS协议实现数据传输，前端通过异步请求技术（如Ajax）与后端接口通信，避免页面整体刷新，提升交互流畅性[5][6]；同时，Web Services技术可实现跨系统的数据共享，李文红基于该技术设计的图书检索系统，通过标准化接口实现了图书数据的高效检索与交互[5]。
关系型数据库原理是实现图书、读者、借阅记录等数据结构化存储与高效查询的基础，其通过二维数据表组织数据，利用主键、外键建立表间关联，保障数据的完整性和一致性[3][6]。黄波采用的MySQL数据库，正是基于关系型数据库原理，设计图书表、用户表、借阅表等数据表，通过SQL语句实现数据的增删改查操作，满足中小型图书管理系统的需求[3]。此外，权限控制原理是区分管理员与读者操作权限的关键，通过角色分配与权限校验，确保不同用户仅能访问其权限范围内的功能模块[2][5]；定时任务原理可支撑逾期提醒功能的实现，通过周期性扫描数据触发提醒事件，提升服务的及时性[4]。这些原理相互协同，构成了社区图书管理系统开发的技术理论体系，相关研究成果为系统的设计与实现提供了可靠的原理支撑[9]。
1.3 基础方案
技术选型方案，前端选用Vue+Element UI技术栈：Vue框架基于组件化开发原理，可将管理员端、读者端的共性页面（如登录页、数据表格）封装为通用组件，提升开发效率和页面复用性；Element UI组件库提供了丰富的UI组件，可快速构建简洁直观的交互界面，降低前端开发难度。后端选用Spring Boot+MyBatis技术栈：Spring Boot框架简化了JavaEE项目的配置流程，支持分层架构设计，可清晰划分控制层、服务层、数据访问层，各层级通过标准化接口通信，契合分层架构设计原理；MyBatis作为持久层框架，可灵活实现SQL映射，适配MySQL数据库的数据操作需求，保障数据交互的高效性[2]。数据库选用MySQL，其开源免费、稳定性高，符合关系型数据库原理，能够满足社区图书管理系统的结构化数据存储需求，同时便于后期维护[3][6]。
功能实现方案围绕社区图书管理核心业务流程展开，严格匹配管理员与读者的权限需求，遵循权限控制原理设计权限管理模块。管理员端核心功能包括：用户管理实现的功能是管理员、读者账号的增删改查,图书信息CRUD是基于数据库操作原理实现数据的精准管理、借阅,归还审核是通过服务层封装审核逻辑，保障流程规范、库存统计与报表导出是基于数据查询原理实现统计分析,逾期提醒是基于定时任务原理实现周期性扫描与提醒,图书采购管理是实现采购流程的信息化记录。读者端核心功能包括：注册登录是基于权限控制原理实现身份校验,图书检索借鉴Web Services数据交互原理，优化检索算法提升效率[5],借阅/归还申请、个人借阅记录查询、密码修改、积分统计与逾期提醒。各功能模块通过前后端异步通信实现数据同步，确保交互流畅，整体方案兼顾实用性与易实现性，可有效满足社区图书管理的信息化需求。

不能使用uniapp
基于Android的自习室管理系统是一款可以在Android移动设备上使用的校园APP。学生使用此系统，不用亲自去自习室排队占座，只需要通过此App，就可以实现个人占座，使用较为方便。本系统主要包括以下模块：
1.注册登录模块
在登录本系统前，学生用户需要注册自己的账号和密码，账号是自己学号，密码可以自己设定。登录系统后，学生可以填写和修改自己的个人信息：姓名、性别、院系和班级、电话号码。
2.座位展示模块
自习室应该包含很多教室，每个教室的座位都能被展示，每个教室应该有个标签显示教室的号码，点开教室号码后，展示这个教室的所有座位。
3. 预约座位模块
每天在固定时间允许学生预约座位，比如每天早上7点座位才可预约，7点之前所有座位均为灰色，并且提醒用户此时座位不可预约。
系统里可以显示图书馆的所有座位占用情况，如果有的座位被占用，座位就显示灰色，如果没被占用，座位显示绿色。每个座位上有座位号，学生点击没被占用的座位，就会弹出框，询问学生预约哪个时间段。学生填入预定时间，座位就被占用了。
4. 信息查看模块
学生可查看图书馆的一些公告和管理信息，如开馆闭馆时间，节假日开馆时间等等。
5. 座位更新模块
当一个座位被一个学生用户预约后，在其他人的客户端上，该座位应该显示灰色，会提示在xx-xx时间内，座位已经被预定。这就要求一个客户端预定座位后发请求告诉服务端，该座位已经被占用。
（1）使用Java开发Android客户端。
（2）实现本地数据存储和网络数据交互。
（3）设计用户界面并集成支付功能。
（4）进行系统单元测试和稳定性测试。

要写项目+论文+论文修改
选题背景、意义及依据
随着计算机视觉技术在自动驾驶、智能监控等领域的深度渗透，多目标跟踪与分
割成为保障系统可靠性的核心技术。在自动驾驶场景中，车辆需实时精准识别行人、
车辆、骑行者等目标，明确其轮廓与动态轨迹，为路径规划和避障决策提供支撑；在
智能监控场景中，需实现对多个移动目标的连续追踪与区域分割，助力异常行为检测。
然而，实际应用中的光照突变、目标遮挡、恶劣天气、尺度变化等复杂情况，导致传
统技术难以兼顾分割精度与跟踪稳定性，成为行业落地的关键瓶颈。
TrackFormer 模型凭借 Transformer 架构的全局特征关联优势，实现了多目标
跟踪与分割的端到端融合，解决了传统 “检测 - 跟踪” 分离架构的目标 ID 切换问题。
Mask-RCNN 则在实例分割任务中表现突出
[1]，具备高精度的目标定位与轮廓提取能
力。KITTI 数据集作为自动驾驶领域的权威基
[2]，涵盖了真实道路场景中的复杂情况，
为算法验证提供了丰富的样本支撑。实现 “分割 - 跟踪” 分阶段任务，可充分发挥各
自技术优势，提升复杂场景下的多目标处理性能，具有重要的实践价值与理论创新意
义。
选题依据主要包括三方面：一是应用需求驱动，自动驾驶、智能交通等领域对高
精度、实时性多目标跟踪与分割技术的迫切需求，为课题提供了明确的落地导向；二
是技术可行性，TrackFormer 的跟踪优势与 Mask-RCNN 的分割能力形成互补，降
低了研究难度且保障了成果可靠性；三是数据支撑充足，KITTI 数据集提供了完整的标
注信息与多样化场景样本，能够满足模型训练、验证与测试的全流程需求，为课题顺
利开展奠定基础。
二、国内外研究现状
国外在多目标跟踪与分割领域的研究起步较早，已形成较为成熟的技术体系。早
期研究主要基于传统计算机视觉方法，如基于区域的分割算法（阈值分割、边缘检测）、
基于特征匹配的跟踪算法（SIFT、SURF 特征），但这类方法对复杂场景的适应性较差，
易受光照、遮挡等因素影响。随着深度学习技术的兴起，基于神经网络的分割与跟踪
算法成为主流。2017 年，He 等人提出的 Mask-RCNN 算法，创新性地将 Faster R-CNN
的目标检测框架与全卷积网络（FCN）的分割能力相结合，通过添加掩码分支实现了
实例级别的分割，在 COCO 数据集上取得了优异的性能，奠定了实例分割领域的研究
基础。此后，研究者们围绕 Mask-RCNN 进行了大量改进，如引入注意力机制、优化
特征融合模块、采用轻量化网络结构等，进一步提升了算法的效率与精度，使其能够
更好地适应复杂场景下的应用需求。2021 年提出的 TrackFormer 模型，将
Transformer 架构与实例分割结合，通过关联特征实现端到端多目标跟踪与分割，解
决了传统跟踪算法中检测与跟踪分离的问题，在复杂场景下的目标关联精度显著提升，
目前已在 COCO、KITTI 等数据集上得到了验证
[10]。
国内对多目标跟踪与分割技术的研究也紧随国际前沿，在算法改进与实际应用方
面取得了显著成果。国内高校与科研机构如清华大学、中科院自动化所、哈尔滨工业
大学等，在 Mask-RCNN 的基础上，针对复杂场景下的遮挡问题、小目标分割问题等
进行了深入研究，提出了多种改进策略。例如，通过引入上下文信息增强模块，提升
算法对遮挡目标的识别能力；通过优化锚点设计，改善小目标的分割精度。同时，国
内企业如百度、华为等也积极推动该技术在自动驾驶、智能监控等领域的落地应用
[11]，
开发了一系列基于深度学习的多目标分割与识别系统。国内高校（如哈工大、中科院）
已尝试将 TrackFormer 与 Mask-RCNN 融合，针对道路场景中目标遮挡、尺度变化
等问题优化特征关联模块，提升动态目标的跟踪稳定性，相关研究已在自动驾驶原型
系统中初步应用。
KITTI 数据集由德国卡尔斯鲁厄理工学院与丰田美国技术研究院联合发布，是自动
驾驶领域应用最广泛的公开数据集之一，包含立体图像、光流、目标检测、语义分割
等多个任务的标注数据。由于其数据的真实性与场景的多样性，已成为评估多目标分
割与识别算法性能的重要基准。目前，国内外大量研究基于 KITTI 数据集开展，研究者
们通过在该数据集上训练与测试算法，验证算法在真实道路场景下的适应性。例如，
有研究基于 Mask-RCNN 对 KITTI 数据集中的车辆、行人等目标进行分割与识别，通过
优化网络参数与数据增强策略，提升了算法在复杂道路场景下的性能；还有研究将
Mask-RCNN 与多目标跟踪算法相结合，实现了对 KITTI 数据集中动态目标的实时跟踪
与分割。
综合来看，当前基于 Mask-RCNN 的实例分割技术已日趋成熟，其在 KITTI 数据
集上的应用研究也积累了一定成果，但面对严重遮挡、恶劣天气、目标密集分布等复
杂场景时，算法在分割精度与实时性方面仍存在优化空间。TrackFormer 作为近年来
多目标跟踪领域的热门框架，凭借 Transformer 架构的全局特征关联优势，在目标连
续跟踪与 ID 稳定性方面表现突出。本课题将以 KITTI 数据集为基础，聚焦
Mask-RCNN 在核心目标（车辆、行人、骑行者）分割与识别任务的性能优化，同时
利用 TrackFormer 在目标精准跟踪与轮廓持续捕捉的技术特点，通过双模型独立验证
与场景化对比，进一步提升算法对复杂道路场景的适应性，为多目标跟踪与分割技术
的工程落地提供参考。
三、课题研究目标、研究内容、研究方法及关键技术
（一）研究目标
本课题核心目标是分别运用 Mask-RCNN 与 TrackFormer 两个独立模型，完成
复杂道路场景下的多目标分割与跟踪任务，具体包括：完成 KITTI 数据集的双任务适
配预处理，分别构建满足 Mask-RCNN 分割任务与 TrackFormer 跟踪任务的训练、
验证及测试数据集。独立搭建并部署 Mask-RCNN 实例分割模型与 TrackFormer 多
目标跟踪模型，完成各自的训练与全流程验证，确保模型稳定运行。实现 KITTI 数据
集中核心目标的专项处理：Mask-RCNN 完成车辆、行人、骑行者的准确识别与轮廓
分割，目标识别准确率不低于 85%，分割交并比（mIoU）不低于 70%；TrackFormer
实现上述目标的连续跟踪，跟踪成功率（MOTA）不低于 65%，ID 切换率低于 10%。
分别分析两个模型在不同场景（常规场景、遮挡、恶劣天气、目标密集）下的性能表
现，明确各自的适用场景与局限。保证两个模型独立推理的基础实时性，满足自动驾
驶、智能监控等场景的基本应用需求。
（二）研究内容
1. KITTI 数据集双任务预处理与适配
深入解析 KITTI 数据集的图像数据、分割标注及轨迹信息，编写两套独立的格式
转换脚本，将数据集分别转换为 Mask-RCNN 适配的 COCO 分割格式，以及
TrackFormer 适配的时序跟踪标注格式，保留样本 ID 一致性以便后续场景化对比。
对分割数据集执行图像去噪、尺寸归一化操作，采用随机裁剪、翻转、光照调整等基
础数据增强方法
[4]，提升模型泛化能力
[3]；对跟踪数据集进行帧间冗余去除、目标轨迹
校准，采用连续帧同步翻转、尺度缩放等策略，保证目标运动连贯性。按 7:1:2 比例
分别为两个模型划分训练集、验证集与测试集，确保各集合中场景分布均衡，满足独
立训练与性能评估需求。
2. 双模型独立搭建与适配
基于 PyTorch 框架搭建 Mask-RCNN 实例分割模型，包含 ResNet-FPN 特征提
取网络、RPN 区域提议网络、目标检测分支与掩码分割分支，根据 KITTI 数据集目标
类型（车辆、行人、骑行者）调整分类头与掩码分支输出维度，适配特定目标分割任
务。独立搭建 TrackFormer 多目标跟踪模型，构建 Transformer 特征关联模块、目
标 ID 分配机制与帧间预测分支，适配 KITTI 数据集的时序特征，调整网络输入维度
与输出层结构，确保目标跟踪 ID 稳定输出。
3. 双模型独立训练与参数配置
Mask-RCNN 训练：采用 COCO 数据集预训练权重初始化，设置固定训练参数
（学习率 1e-4、批次大小 4-8、迭代次数根据数据集规模调整），通过验证集监控训
练效果，确保模型收敛，不额外进行网络结构或损失函数优化。TrackFormer 训练：
利用 COCO 时序数据集预训练权重初始化，采用默认训练策略与参数配置，聚焦模型
对 KITTI 数据集的适配性训练，不进行额外的关联策略或网络结构改进，保证模型原
汁原味的性能输出[5]。
4. 双模型独立实验验证与结果分析
构建双模型独立评估体系：Mask-RCNN 采用准确率、召回率、mIoU 指标衡量
分割性能；TrackFormer 采用 MOTA、MOTP、ID Switch 指标评估跟踪效果。开展
场景化测试实验，分别在常规道路、遮挡、雨天、目标密集等场景下验证两个模型的
性能；对比分析单一模型在不同场景下的表现差异，总结模型的适用范围与固有局限。
（三）研究方法
文献研究法：系统梳理 Mask-RCNN 分割算法、TrackFormer 跟踪算法的技术原
理与应用现状，明确两个模型的核心特性与使用规范，为独立部署与训练提供理论支
撑。
独立部署法：按照两个模型的原始设计架构与训练流程，分别搭建实验环境、配
置参数，不进行交叉优化或融合设计，保证模型性能的独立性与真实性。
实验对比法：通过场景化测试与指标量化，对比两个模型在专项任务中的性能表
现，分析模型的固有优势与局限，为实际应用场景下的模型选择提供依据[6]。
（四）关键技术
数据集双任务适配技术：针对分割与跟踪任务的差异化需求，设计独立的格式转
换脚本与预处理流程，确保数据与模型输入要求精准匹配。模型独立部署与适配技术：
基于原始算法架构，完成 Mask-RCNN 与 TrackFormer 在 KITTI 数据集上的参数配
置与任务适配，保证模型稳定运行。场景化性能评估技术：构建多场景测试集，建立
针对性的评估指标体系，实现对两个模型专项性能的精准量化与差异分析。
（一）遇到的困难和问题
双模型独立适配数据集的差异问题：KITTI 数据集的标注格式需分别满足
Mask-RCNN 的分割任务与 TrackFormer 的跟踪任务需求，两类任务对数据格式、
标注信息的要求不同，格式转换过程中易出现信息丢失或不兼容问题；同时，数据增
强需兼顾分割任务的目标特征完整性与跟踪任务的帧间时序连贯性，单一增强策略难
以同时适配两个独立模型。
单模型在复杂场景下的固有性能局限：Mask-RCNN 在 KITTI 数据集的遮挡、恶
劣天气场景中，易出现小目标（远处行人、骑行者）分割轮廓模糊、漏检等问题；
TrackFormer 单独运行时，缺乏精准分割特征辅助，在目标密集或快速移动场景下，
易出现 ID 切换频繁、轨迹断裂等跟踪不稳定问题。
双模型训练的独立优化难题：两个模型需分别进行训练与调参，训练过程无交互
反馈，且 KITTI 数据集样本数量相对有限，两个模型单独训练时均易出现过拟合现象；
同时，学习率、批次大小等参数的设置需针对各自模型特性调整，参数优化过程繁琐
且易相互干扰。
双模型独立推理的实时性压力：Mask-RCNN 本身结构复杂、推理计算量较大，
TrackFormer 的 Transformer 关联模块也存在一定耗时，两个模型独立运行时，需
分别满足各自的实时性需求，难以同时适配自动驾驶等对响应速度有要求的场景。
（二）拟采取的解决措施
针对数据集适配差异问题：
编写两套独立的格式转换脚本，分别将 KITTI 数据集转换为 Mask-RCNN 适配的
COCO 分割格式与 TrackFormer 适配的时序跟踪标注格式，保留样本 ID 一致性以
便后续场景化对比，避免格式转换中的信息丢失。设计差异化数据增强方案：针对
Mask-RCNN，采用随机裁剪、光照调整、色域变换等策略，提升分割模型的泛化能力；
针对 TrackFormer，采用连续帧同步翻转、尺度缩放、帧间冗余去除等策略，保证跟
踪任务的时序连贯性。
针对复杂场景下的性能局限：
对 Mask-RCNN：采用 COCO 数据集预训练权重初始化，沿用其原始损失函数
与网络结构，通过增加复杂场景样本的数据增强（如模拟遮挡、光照突变样本），提
升模型对复杂环境的适应能力，不额外修改网络架构。对 TrackFormer：基于其原始
Transformer 关联框架，利用 COCO 时序数据集预训练权重初始化，通过调整帧间
关联阈值、优化目标 ID 分配规则，提升跟踪稳定性，不进行网络结构改进。
针对独立训练优化难题：
采用 “分模型独立训练 + 统一监控” 策略，为两个模型分别划分独立的训练集、
验证集，设置针对性训练参数，避免参数相互干扰。双模型均引入 L2 正则化与
Dropout 技术，抑制过拟合；采用迁移学习策略，利用各自适配的预训练权重初始化，
降低对 KITTI 数据集样本数量的依赖。
针对实时性压力：
对两个模型分别进行基础轻量化处理：Mask-RCNN 简化特征提取网络的冗余通
道，TrackFormer 采用局部注意力计算替代部分全局注意力，在不改变核心架构的前
提下降低计算量。优化推理流程，对两个模型的输入数据进行并行预处理，减少数据
加载与格式转换耗时，提升独立推理效率。
（三）预期达到的目标
1.完成 Mask-RCNN 与 TrackFormer 两个独立模型的数据集适配、训练与部署，
实现各自核心任务：Mask-RCNN 精准完成 KITTI 数据集中车辆、行人、骑行者的轮
廓分割，TrackFormer 独立实现上述目标的连续跟踪[10][11][12]。
2.双模型性能指标达标：Mask-RCNN 的目标识别准确率不低于 85%，分割交并
比（mIoU）不低于 70%；TrackFormer 的跟踪成功率（MOTA）不低于 65%，ID 切
换率低于 10%；两个模型在复杂场景下的目标漏检率均低于 15%。
3.解决数据集适配差异、独立训练过拟合、复杂场景性能局限等问题，形成一套完
整的双模型独立应用方案，确保两个模型在同一复杂道路场景下均能稳定运行。
4.双模型独立推理的实时性满足基础应用需求，Mask-RCNN 单帧推理时间不超过
90ms，TrackFormer 单帧推理时间不超过 70ms；完成符合本科毕业设计要求的论
文，整理两个模型的独立训练代码、格式转换脚本及实验数据，形成可复用的实验平
台。
五、论文进度安排
本课题研究周期共计 16 周，围绕 Mask-RCNN 与 TrackFormer 两个独立模型
的训练、优化与验证展开，具体进度安排如下：
第 1-2 周进行文献调研与课题梳理，系统查阅多目标分割、多目标跟踪、
Mask-RCNN 算法、TrackFormer 算法及 KITTI 数据集相关的国内外文献，撰写文献
综述，明确两个模型的独立研究重点、技术路线与各自难点，完成开题报告的最终修
改。
第 3-4 周开展数据集预处理与实验环境搭建工作，深入分析 KITTI 数据集结构与
标注格式，编写两套独立格式转换脚本，分别生成 Mask-RCNN 适配的 COCO 分割
格式、TrackFormer 适配的跟踪时序格式，分别对两个模型的数据集进行预处理，设
计 差 异 化 数 据 增 强 策 略 ， 划 分 训 练 集 、 验 证 集 与 测 试 集 ， 搭 建 基 于
PyTorch/TensorFlow 的深度学习实验环境，配置两个模型所需的依赖库与硬件资源
[7]。
第 5-8 周进行双模型独立搭建与初步训练，基于深度学习框架分别搭建
Mask-RCNN 实例分割模型与 TrackFormer 跟踪模型，根据 KITTI 数据集目标类型
调整模型输出维度，采用迁移学习策略，分别利用 COCO 数据集预训练权重初始化两
个模型，设置各自合理的训练参数，完成初步训练[8]。
第 9-11 周推进双模型独立优化与性能验证，针对 Mask-RCNN，优化特征融合模
块与损失函数，引入注意力机制，提升复杂场景下的分割精度，通过验证集监控性能，
采用正则化技术抑制过拟合；针对 TrackFormer，改进跨帧关联策略，优化
Transformer 注意力计算方式，提升小目标与遮挡场景下的跟踪稳定性，调整训练参
数加快收敛，在各自测试集上验证优化后模型的性能，完成多组对比实验，记录核心
指标数据。
第 12-13 周进行实验结果分析与总结，分别量化分析两个模型的性能，
Mask-RCNN 聚焦分割准确率、mIoU 等指标，TrackFormer 聚焦 MOTA、ID Switch
等指标，对比不同参数设置、数据增强策略对各自模型性能的影响，总结两个模型在
复杂场景下的优势与不足
[9]。
第 14-15 周开展论文撰写与修改工作，根据课题研究内容与双模型实验结果，撰
写本科毕业设计论文，重点阐述两个模型的独立设计、训练过程与性能对比，完善论
文逻辑结构与内容细节，修改格式错误与表述问题，形成论文初稿。
第 16 周完成论文定稿与答辩准备，根据指导教师意见修改论文，完成最终定稿，
整理两个模型的独立训练代码、格式转换脚本及实验数据，形成可复用的实验平台，
准备答辩 PPT，梳理课题研究核心内容、双模型技术难点与创新点，进行答辩模拟训
练。