周斌简介-周斌个人资料-周斌博客-中旭文化网

中国著名讲师全录姜汝祥，著名企业战略专家，中国企业执行第一人，中华海外归国创业十大人物，《财富》杂志特约撰稿人，轰动业界的畅销书《差距》、《榜样》、《请给我结果》的作者。

北京大学经济社会学博士美国哥伦比亚大学商学院精研跨国公司核心竞争力的归国学者北京大学光华管理学院高层经济培训中心副主任万科王石、TCL 李东生、格兰仕梁昭贤的首席企业战略咨询顾问曾任摩托罗拉产品市场经理与战略规划经理中央电视台《对话》、《商界名家》栏目长期嘉宾美国《财富》、《哈佛商业评论》特约管理专家撰稿人畅销书《差距》—“中国第一部企业战略专著”作者2002年度凭借他的管理思想荣获中华海外归国十大创业人物个人博客：/s/indexlist_1317335037_2.html易发久，影响力集团董事长影响力教育训练集团董事长 影响力教育科技集团董事长世界华人工商促进会常务理事“中国培训论坛”组委会执行主席上海人才培训市场指导中心常务理事，培训委员会主任上海师范大学教授中国第一套原创108部MBA 教程 主编著作书籍：·著作书籍：《领袖的风采》、《成功一定有方法》、《不是不可能》、《基本功》·VCD/CD ：《领袖的风采》、《有梦就会实现》、《学习改变命运》、《如何规划成功人生》、《决定你一生的21个信念》·教学课件：《卓越团队共同理念》、《双赢的沟通—同理心》、《创造力训练—头脑风暴》、“影响力思想库”时空文化系列MBA 教材个人博客：/yfjyxl孙军正，集团执行系统专家，中国执行力研究院院长畅销书《解放军执行力》、《高效能人士的执行8法则》、《做最棒的执行者》作者担任格兰仕总裁特助、TCL人力资源总监时，通过打造执行系统使公司业绩高速增长。

孙军正及其团队专为中国企业量身定制最实用、最高效的执行系统，已帮助200多家企业建立了执行系统他是北大、清华、复旦、交大的客座教授。

他是富士康、爱普生等多家大型企业管理顾问。

周斌、王柏生等民间借贷纠纷民事二审民事判决书【案由】民事合同、无因管理、不当得利纠纷合同纠纷借款合同纠纷民间借贷纠纷【审理法院】江苏省常州市中级人民法院【审理法院】江苏省常州市中级人民法院【审结日期】2021.11.25【案件字号】(2021)苏04民终5382号【审理程序】二审【审理法官】李银芬时坚龙海阳【审理法官】李银芬时坚龙海阳【文书类型】判决书【当事人】周斌;王柏生;孙莉萍【当事人】周斌王柏生孙莉萍【当事人-个人】周斌王柏生孙莉萍【代理律师/律所】张某某江苏钟鸣律师事务所;孙悦江苏六友律师事务所【代理律师/律所】张某某江苏钟鸣律师事务所孙悦江苏六友律师事务所【代理律师】张某某孙悦【代理律所】江苏钟鸣律师事务所江苏六友律师事务所【法院级别】中级人民法院【原告】周斌【被告】王柏生;孙莉萍【本院观点】综合双方当事人提出的诉辩意见，本案主要争议焦点为：周斌是否可以依据涉案借条向王柏生主张归还借款。

【权责关键词】撤销代理合同自认罚款诉讼请求维持原判执行【指导案例标记】0【指导案例排序】0【本院查明】本院对一审查明的事实予以确认。

二审中，经查阅一审卷宗，王柏生在一审中，为证明与周斌之间存在承揽关系的事实，提供了2018年3月27日周斌与王柏生签订的《项目内部管理责任书》，其中，1、项目及管理人员的经济考核指标以及项目利润的计取办法约定：王柏生向周斌上交30万元项目决算价的项目利润，该项目利润在合同签订后一日内付10万元，2018年年底付10万元，项目竣工满一年付10万元，上交公司管理费为审计价的2%由王柏生负责，同时约定由王柏生支付周斌建造师、安全员等费用。

2、双方的权利义务约定，周斌有权对王柏生的财务、工程款的收付情况检查；王柏生有对该项目的工程款的收取及合理支出权。

3、在财务管理中约定，工程款的收取必须凭周斌统一的收款收据或正式发票到建设方收取，并汇入周斌指定的银行账户。

如建设方支付银行承兑汇票，同样要交周斌财务入账，专款专用。

中共常州市武进区十一届委员会书记、副书记简历来源：武进日报周斌同志简历周斌，男，1968年10月出生，汉族，江苏泰兴人，本科学历，硕士学位，1989年8月参加工作，1996年6月加入中国共产党。

现任中共武进区委书记，区人大常委会党组书记、主任人选。

1989年8月起在常州市市政工程养护管理处工作；1992年10月起在常州市宝马集团公司工作；1994年4月起在常州市排水管理处工作，历任办公室副主任、主任、生产技术科科长、处长助理、副处长、处长；2003年3月起任常州市建设局计划财务处处长，2005年1月起任常州市建设局副局长；2007年2月起任常州市环境保护局党组书记、局长，2009年8月起兼任常州市太湖水污染防治委员会办公室主任，2010年2月起兼任常州市太湖水污染防治办公室主任；2010年12月起任中共常州市武进区委副书记、副区长、代区长，2011年1月起任区长、区政府党组书记、江苏武进经济发展集团公司董事长；2011年5月起任中共武进区委书记，区人大常委会党组书记、主任人选。

常州市第十三、十四届人民代表大会代表中共武进区第十一次代表大会代表武进区第十四届人民代表大会代表臧建中同志简历臧建中，男，1960年6月出生，汉族，江苏常州人，党校函授本科学历，1980年4月参加工作，1980年4月加入中国共产党。

现任中共武进区委副书记，区人民政府党组书记、副区长、代区长，武进经济发展集团公司董事长。

1980年4月起任武进县龙虎塘公社安基大队副大队长，1982年10月起任武进县龙虎塘公社团委书记；1983年7月起任武进县新桥区工委专职团干部；1984年8月起任共青团武进县委青农部部长，1985年1月起任共青团武进县委副书记；1989年3月起任武进县薛家乡党委副书记，1989年5月起任武进县薛家乡乡长；1992年4月起任共青团常州市委员会副书记、常州市青年联合会主席；1995年7月起任常州高新技术产业开发区管委会副主任（其中1995年9月起任常州市人民政府新区管理委员会党工委委员），1996年11月起任常州市人民政府新区管理委员会副主任（其中1999年11月起任常州市高新技术产业开发区管委会副主任、党工委委员），2002年4月起任常州市高新技术产业开发区党工委副书记、新北区党委副书记、新北区政府筹备组成员（其中2002年10月起兼任常州市高新技术产业开发区纪委书记、新北区纪委书记、政法委书记，2003年10月起兼任新北区春江镇党委书记）；2006年2月起任中共武进区委副书记（正处级），其中2006年2月至2009年1月兼任武进区纪委书记，2011年5月起任区人民政府党组书记、副区长、代区长，2011年6月起兼任武进经济发展集团公司董事长。

周滨：以父之名周滨：以父之名摘要：和他父亲一样，周滨就读的是石油院校，那是被称为“石油黄埔军校”的西南石油大学，地处四川。

那时候他父亲已经高升为中国石油天然气总公司高层，周滨入读该校是顺理成章的事情，更何况，此事还是他父亲的秘书、毕业于该学校的李华林一手安排的。

周滨也从此进入了一个由校友组成的圈子，他的“学长”们李华林、冉新权、王道富早围绕着他的父亲组成了一个权力庞大、影响中国石油行业的圈子。

这是从一出生就注定好的命运。

“周”这个姓氏给了他前半生无数荣华富贵，也将在后半生让他身陷囹圄。

周滨，现在全国最著名的“神秘商人”。

围绕着他，建立了一个隐秘庞大的政商帝国。

但如今，从北京到成都再到海口甚至远及海外，从正部级的国资委主任蒋洁敏、中石油的副总、成都市原市委书记李春城、海南省原副省长冀文林等显赫高官，再到刘汉、吴兵等黑社会老大、市井之徒，这个隐秘的“黑金帝国”在一次次抓捕中逐渐土崩瓦解。

作为核心人物的他，成了人人皆知的“猎物”。

石油“少主”周滨的公开身份是“北京中旭阳光能源科技股份公司原董事长”，今年42岁，1972年1月出生，眼睛细长，与他父亲一样身材高大。

出生那年，他的父亲还在辽河石油会战指挥部工作，这也注定了周滨一生与石油、能源结缘。

和他父亲一样，周滨就读的是石油院校，那是被称为“石油黄埔军校”的西南石油大学，地处四川。

那时候他父亲已经高升为中国石油天然气总公司高层，周滨入读该校是顺理成章的事情，更何况，此事还是他父亲的秘书、毕业于该学校的李华林一手安排的。

周滨也从此进入了一个由校友组成的圈子，他的“学长”们李华林、冉新权、王道富早围绕着他的父亲组成了一个权力庞大、影响中国石油行业的圈子。

从东北到西南的四川，当时周滨或许没想到，他的未来与四川有颇多交集。

在大学就读期间，周滨结识了一个好兄弟，那就是米晓东。

据《财新》的调查，1970年5月出生的米晓东，比周滨大两岁，是老海油子弟，米晓东在湛江的南海西部公司家属院长大，其父曾在新疆的中石油油田工作，中海油成立后调至南海西部公司任副总经理，颇有威望，已退休多年。

已重新整理排版，欢迎下载支持【关键字】中国政治名人周斌简介周斌：坚贞不屈矢志不渝周斌，1928年毕业于温州三育中学。

国民革命时期，曾参与组织乐清学生救国会和农民协会。

1929年，以半工半读形式进入南京三育大学学习文科，后兼任校长室秘书和电机部主任。

1937年抗日战争爆发后，赴印度尼西亚苏门答腊岛，在棉兰的华侨火水山中小学任校长、教务主任和大地书店经理。

1938年10月，经新加坡、香港，返回内地，由廖承志等人介绍，入延安抗日军政大学学习。

1939年1月，加入中国共产党。

同年7月，学习期满，受党组织派遣再度南下，从事组织“国际抗日统一战线”工作。

他在旅印尼的华侨中建立了共产党秘密组织。

随后，成立了“抗日反法西斯同盟”，任主席。

在中共党组织领导下，发动爱国华侨，扩大“抗盟”组织，亲自编写和散发抗日书刊，宣传抗日救亡。

同时，通过香港的联络点，和国内中共党组织保持联系。

长期坚持反对日本帝国主义侵华战争的斗争，发展了侨胞中的抗日民族统一战线。

1944年4月，周斌因住处泄密，遭日军统治当局逮捕。

敌人施行鞭刑、杖刑、水刑、火刑、老虎凳和电刑，妄图从他口中达到破获整个革命组织的目的。

他受尽摧残，坚贞不屈。

1945年3月7日，在棉兰市第一刑务所被日军杀害。

临刑前，他从容走到刑场，和刽子手怒目相对。

刽子手连发四枪均不中要害，他笑着大喊:“没有用的畜生!不能打准一点吗?你们这样的枪法岂能跟我们较量!”刽子手吓得不敢继续开枪，把他活埋了。

周斌的壮烈牺牲，感动了千万的印尼华侨。

抗战胜利后，他们成立“抗日蒙难烈士纪念委员会”，发表纪念刊物，褒扬先烈业绩。

文档从互联网中收集，已重新整理排版，word版本支持修改！1。

jooyebin个人简历我是Jooyebin，一位年轻而有激情的自由职业者。

我擅长写作、设计和社交媒体管理，以及与人们沟通和建立联系。

我在过去的几年中积累了丰富的经验和技能，希望通过这份个人简历向您介绍我自己。

教育背景我在某个知名大学获得了广告设计专业的学士学位。

在这个学位课程中，我学习了创意思维、品牌形象建立以及广告策划等相关知识。

这段时间里，我通过参与各类项目和实习，将理论知识与实践相结合，并深化了自己对设计和营销领域的理解。

工作经验在大学毕业后，我在一家知名的广告公司担任了助理设计师的职位。

在这个公司的三年时间里，我负责了多个项目的设计和执行，包括宣传册、广告海报和品牌形象设计等。

我熟悉Adobe Creative Suite和其他设计软件，并具备良好的审美和创意能力。

同时，我也学会了合理安排时间、处理多个项目和与客户保持良好沟通的技巧。

为了更好地发展自己，我决定成为一名自由职业者。

在过去的一年中，我接受了多个自由设计项目，帮助客户打造品牌形象，并制作宣传资料和网站设计。

在这个过程中，我学到了更多关于设计与客户需求之间的平衡，并提高了自己的自我管理能力。

除了设计，我也对写作和社交媒体管理感兴趣。

我曾在一家IT公司担任社交媒体管理的职位，负责撰写和发布内容，并与受众互动。

这段经历使我进一步了解了数字营销和社交媒体策略，并提升了我的写作和沟通技巧。

技能和特长- 广告设计与品牌形象建立- Adobe Creative Suite等设计软件的熟练运用- 写作和撰稿能力- 社交媒体管理和营销- 多任务处理和项目管理能力- 客户沟通和关系建立个人特点和价值观我是一个充满激情和创造力的人。

我热爱从无到有的过程，并享受在设计中发现灵感的时刻。

我注重细节，努力不断提高自己的设计水平，以打造令人印象深刻的作品。

同时，我也注重与客户和团队的合作，相信开放和透明的沟通可以取得更好的成果。

除了工作，我也对旅行和摄影有着浓厚的兴趣。

【概况介绍】知名实战派企业管理教练中国十佳中层管理实践导师中国NLP教练式培训研究会会长T锤原理首创者资深NLP教练国家高级企业培训师国家高级人力资源管理师【擅长领域】中高层管理技能系统训练，人力资源实战训练，职业化系统训练。

【授课理念】让学习更简单，让培训更有趣。

【授课风格】自我开发式的NLP教练式培训，将NLP理念及教练技术充分融入培训过程，在互动分享及演练的过程中实现知识和技能的传递，同时令受训对象在思想意识上得到迁善。

课程讲练结合、实战实用，案例丰富、游戏有趣，互动分享、轻松掌握。

【职业背景】15年中高层管理经验，曾任众明半导体副总经理、名雕装饰人力资源总监、立美力服装企管总监等职，并曾兼任光讯通讯、美联服装等多家企业的高级管理顾问，在企业战略规划、中高层管理人员培养训练、团队建设、领导力、人力资源管理、绩效管理等方面积累了丰富的实战经验，能够根据企业的实际情况定制开发最合适的课程、实施并跟踪落地。

迄今培训已超过1000场，培训学员超过80000人次，教练式的实战风格获得了客户的高度认可，被誉为“NLP教练式培训第一人”、“赛场上走出的教练”、“职业化训练名师”等。

【主讲课程】核心课程《超级影响力》、《卓越领导力》、《狼性团队力》、《全效执行力》、《创新思维力》、《AMTP中层管理全面技能提升系统训练》经典课程《从专业技术走向管理》、《卓有成效的管理者》、《NLP教练式管理》、《高效沟通技巧》、《目标、计划与时间管理》、《目标与绩效管理》、《非人力资源经理的人力资源管理》、《性格及情绪管理在HR中的应用》、《六顶思考帽》、《高效能人士的七个习惯》、《NLP 情绪与压力管理》沙盘模拟《沙漠掘金》(团队管理沙盘)、《绝对挑战》(领导力沙盘)培训客户：• 互联网行业：贝塔斯曼，58同城，36人才网，一览英才网，三茅人力资源网，宽学网等; • 通讯电子行业：三星电子，中兴通讯，创维集团，TCL，云海通讯，麦克维尔，景阳科技等; • 家居建材/建筑装饰行业：名雕装饰，文业装饰，雅致钢构，名启家私，美家世邦建材等; • 医药行业：康美药业，海普瑞药业，信立泰药业，慈铭体检，深圳慢病院，深圳仁安医院等; • 服装行业/连锁零售：爱特爱服饰，立美力服装，美联服装，费加罗服饰，快鱼服饰等; • 金融/保险行业：浦发银行，平安银行，中国邮储银行，新华保险，国富投融，海洋投资等; • 机械行业：通力电梯，友联造船，招商重工，力辉电机，宏利铸造等; • 物流行业：中远物流，中外运，途鸽供应链，三态电子商务，冠宇通物流等; • 媒体行业：深圳商报，深圳晚报，汽车导报，游遍天下，改装与四驱等; • 咨询培训行业：立信会计，南深人力，奥雅纳工程咨询，工勘岩土，蓝泰致铭学习等; • 其他行业：中海石油，周大生珠宝，中肥兴农，环途国旅，金地物业，凤凰彩印等;。

第 43 卷第 2 期2024年 3 月Vol.43 No.2Mar. 2024中南民族大学学报（自然科学版）Journal of South-Central Minzu University（Natural Science Edition）基于改进Yolo v8s-seg的船舶旋转角度检测方法丁秀清1，周斌1*，胡波2（1 中南民族大学a.计算机科学学院；b.国家民委信息物理融合智能计算重点实验室，武汉430074；2 武汉东信同邦信息技术有限公司，武汉430074）摘要水上收费站的智能控制船闸开关系统为了能够自动识别船闸内外船舶的动向，需要精准检测航道内船舶的旋转角度.传统的目标检测算法存在着精度有限、实时性差等问题.针对以上问题，在Yolo v8s-seg模型的基础上通过添加CA注意力机制，提出了检测船舶旋转角度的模型Yolo v8s-seg-boat.模型采用实例分割算法提取船舶的轮廓点，并据此判断船舶重心，最终计算出船舶的旋转角度.实验结果表明：该模型在水上收费站拍摄的船舶数据集上分割评价指标mAP相比于Yolo v8s-seg提升了1.8%，分割精确率达到了97.6%，获取的船舶旋转角度与实际角度误差小于Yolo v8s-seg模型.关键词实例分割；旋转角度；注意力机制；重心中图分类号TP391.41 文献标志码 A 文章编号1672-4321（2024）02-0209-08doi：10.20056/ki.ZNMDZK.20240209Boat rotation angle detection method based on improved Yolo v8s-segDING Xiuqing1，ZHOU Bin1*，HU Bo2（1 South-Central Minzu University a. College of Computer Science； b. Key Laboratory of Information-Physical Fusion Intelligent Computing of the State People's Committee of the People's Republic of China， Wuhan 430074， China；2 Wuhan Dongxin Tongbang Information Technology Co.， Ltd.， Wuhan 430074， China）Abstract Intelligent control lock switching system for water toll station needs to be able to accurately detect the rotation angle of boats in the channel in order to be able to automatically recognize the movement of boats inside and outside the lock. Traditional target detection algorithms have problems such as limited accuracy and poor real-time performance. To address the above problems，a model Yolo v8s-seg-boat is proposed to detect the rotation angle of a boat by adding CA （Coordinate Attention）mechanism on the basis of Yolo v8s-seg model. The model adopts the instance segmentation algorithm to extract the boat’s contour points， and judge the boat's center of gravity accordingly， and finally calculate the rotation angle of the boat .The experimental results show that the model improves the segmentation evaluation index mAP by 1.8% compared with Yolo v8s-seg on the boat dataset captured at the water toll station， and the segmentation precision rate reaches 97.6%， and the error between the acquired boat rotation angle and the actual angle is smaller than that of the Yolo v8s-seg model.Keywords instance segmentation； rotation angle； attentional mechanism； center of gravity传统水上收费站通过人眼观察控制船闸的开关，不仅消耗人力而且容易观察失误引起安全事故.近几年兴起的智慧船闸系统引入人工智能技术，将摄像机拍摄的船舶图片自动转化为鸟瞰图，智能控制船闸开关，并且自动识别船闸内外船舶的动向.为了完成上述任务，系统需要能够精准检测航道内船舶的旋转角度.为了得到船舶的旋转角度，需要先对船舶进行目标检测确定其位置，而传统的目标检测算法如HOG+SVM[1]、Haar Cascades[2]等存在着精度有限、实收稿日期2023-08-12* 通信作者周斌（1971-），男，教授，博士，研究方向：计算机网络，大数据处理，E-mail：******************基金项目湖北省技术创新专项基金资助项目（2019ADC071）；中央高校基本科研业务费专项资金资助项目（CZY23006）第 43 卷中南民族大学学报（自然科学版）时性差、不适用于大规模数据的缺点.近几年研究主流的方法是使用基于深度学习的旋转框目标检测方法来检测物体的旋转角度，如RR-CNN[3]、R3Det[4]，常应用到遥感图片和航拍图片，这些模型经过大规模的数据训练能够直接输出目标的旋转角度，但是对数据集的要求较高，这些数据集的共同点是图片以较大的俯瞰角度来拍摄，而水上收费站的摄像头高度并不满足该条件.如果直接使用旋转框检测模型对船舶图片进行训练，会导致较大的角度误差.对于实例分割问题，主流的方法分为三大类：二阶段实例分割、一阶段实例分割、Query-based 实例分割.二阶段实例分割（如Mask R-CNN[5]、HTC[6]、Cascade Mask R-CNN[7]）通常分为两个阶段：第一阶段使用一个目标检测器来检测图像中的对象，第二阶段使用一个分割器来对每个检测到的对象进行像素级的分割，该方法的优点是可以准确地定位和分割多个对象，并且可以在复杂的场景中实现高精度的分割，但是对于小尺寸物体的分割效果不太理想，因为可能会被模型误认为是噪声或背景.一阶段实例分割（如YOLACT[8]、BlendMask[9]、CondInst[10]）不需要先进行目标检测，而是直接在单一的网络中同时进行检测和分割任务.该方法通常采用卷积神经网络（CNN）来实现，可以在速度和精度之间取得平衡，并且实时性好，在实际应用中具有很高的实用性，但是由于该方法需要在单一网络中进行检测和分割任务，因此会出现目标漏检和分割不完整的现象.该方法与二阶段方法相比通常需要更多的训练数据和更高的计算资源，以达到与之相当的准确度.此外，对于复杂场景中的多个对象分割任务，该方法可能会遇到困难.Query-based 实例分割（如SOLOv2[11]）允许用户指定一个查询对象，然后自动检测和分割该对象的所有实例.在该技术中，用户可以通过在图像中选择一个查询对象来指定要检测的对象，然后系统会使用预训练模型来检测和分割所有与查询对象相似的实例.这种方法可以用于许多应用，如自动化图像分析和智能监控系统[12]，主要缺点是对于一些复杂场景和多样性对象的识别和分割效果不够理想.由于该方法是基于预先定义的查询对象进行分割的，因此对于未知的、多样性的对象，可能会出现错误的分割结果.针对以上问题，本文提出一种基于实例分割的船舶旋转角度检测模型，先对船舶进行实例分割提取轮廓坐标点，再使用坐标点计算船舶旋转角度.模型使用实时性更强的one-stage实例分割方法进行分割并提取坐标，在此基础上引入注意力机制以弥补该方法在分割精度上的不足.在得到坐标后，模型使用轮廓法计算船舶旋转角度.两种方法结合以得到更为精确的船舶旋转角度.1　船舶旋转角度检测模型的设计与实现Yolo v8s-seg模型结构如图1所示.Yolo v8s-seg模型在Yolov8模型的基础上添加了一个mask分支用于实例分割，与目标检测同步进行.本模型命名为Yolo v8s-seg-boat，结构如图2所示，主要改进方法为：在Yolo v8s-seg模型的主干网络中添加了CA注意力机制；在C2f结构中添加了CA注意力机制；将IOU函数替换为Wise-IOU. Yolo v8s-seg-boat模型主要分为二个阶段：第一阶段使用改进后的网络对船舶图片进行实例分割处理，得到船舶的轮廓点坐标；第二阶段对每组坐标点使用旋图 1 Yolo v8s-seg模型结构Fig. 1　Yolo v8s-seg model structure 210第 2 期丁秀清，等：基于改进Yolo v8s-seg的船舶旋转角度检测方法转角度计算模块得到船舶的旋转角度并显示在图片上.P1、P2、P3、P4和P5表示网络不同级别的不同特征图，通过一系列卷积层和下采样操作获得.P1是指在骨干网络的第一阶段之后获得的特征图.P2、P3、P4和P5是在随后的阶段中获得的，并且具有逐渐降低的分辨率.P3+C2f和P4+C2f表示这些特征图的C2f结构中添加了注意力机制，P5+CA+C2f表示该特征图在其C2f结构中添加了注意力机制的同时，在SPPF层前添加了注意力机制CA.1.1　Yolo v8s-seg-boat网络1.1.1　主干网络添加注意力机制CAYolo v8s-seg-boat网络结构借鉴了基于改进的yolact模型[13]结构，使用的分割方法是典型的一阶段实例分割方法，实时性高，但是在分割精度方面有所欠缺.为了得到更高的船舶分割精度，在Yolo v8s-seg网络的基础上添加了CA （Coordinate Attention）注意力机制[14]，其backbone结构如图3所示.在特征融合层SPPF前添加的注意力机制CA，它能根据输入的特征图中的重要区域和上下文信息，对特征进行加权，让SPPF层能够接收到更加强化的特征表示，从而提升模型特征的表达能力.将CA放在SPPF 层之前能够进一步增加特征的感受野，使模型能够更好地捕捉到不同尺度上的关键信息；另一方面，CA还考虑了特征空间的位置信息，特征在SPPF层进行融合时，模型能够更加准确地对局部信息和全局信息进行加权，从而提高特征的融合效果. Yolo v8s-seg-boat的backbone网络结构主要用于提取船舶图片的特征，用于head结构的检测和分割，矩形大小代表各个层的参数量，而加入的注意力机制CA参数量较大，能够加强backbone网络的特征提取能力.1.1.2　C2f添加注意力机制CA模型的C2f模块参考了Yolo v5中C3结构和Yolo v7[15]中ELAN[16]设计思想，结构如图4所示，让Yolo v8s-seg-boat网络可以在保证轻量化的同时获得更加丰富的梯度流信息.该模块首先用1×1卷积核对特征进行降维，通过split模块将特征图分为图 3 Yolo v8s-seg-boat的backbone网络结构Fig. 3　Backbone network structure of Yolo v8s-seg-boat图 2 Yolo v8s-seg-boat模型结构Fig. 2　Yolo v8s-seg-boat model structure211第 43 卷中南民族大学学报（自然科学版）主干分支和支干分支，再通过瓶颈结构Bottleneck 在有效减少参数量的情况下提取特征，最后通过Concat 模块进行特征拼接，在此基础上添加了CA 注意力机制到Concat 模块后，为特征分配不同的权重，增强模型对重要特征的关注，同时通过对特征图的加权，改善了多尺度特征融合效果.C2f 结构中加入的注意力机制CA 同样也起到了加强特征提取的作用，相比于Yolov5中的C3结构检测效果更好.1.1.3　CIOU 损失函数优化Yolo v8s -seg 使用CIoU 损失函数[17]来计算分割损失，该函数考虑重叠面积、中心点距离、长宽比三个方面，公式如下：CIoU =IoU -(ρ2(b ，b gt)c 2+αν)，（1）ν=4π2(arctan w gt hgt -arctan w h )2，（2）α=ν(1-IoU)+ν，（3）其中：IoU 为交并比，是目标检测中常见的指标，主要用于反映预测检测框与真实检测框的检测效果；v 为中心点距离，表示预测框的中心点与实际框中心点之间的距离；α为长宽比，用于衡量预测框与实际框长度和宽度的比例误差.CIoU 计算过程中涉及到反三角函数，计算量较大，尤其是在处理大量数据时，会影响模型的训练速度，此外在处理低质量训练数据时，长宽比的几何度量会加剧对低质量数据的惩罚从而使模型的泛化性能下降，导致出现精度不高的情况.综合以上原因，Yolo v8s -seg -boat 使用Wise -IoU [18]（简称为WIoU ）代替CIoU 来计算分割损失，公式如下：R WIoU=exp ((x -x gt )2+(y -y gt )2(W g 2+H g 2))，（4）WIoU =R WIoU ·(1-IoU)，（5）其中W g ，H g 是最小预测框的宽度与高度，(x gt ，y gt )是目标框中心点坐标.对于低质量锚框，1-IoU 的值将被显著放大；对于高质量锚框，会显著降低R WIoU .WIoU 取消了长宽比损失项，降低了对数据集中出现的低质量锚框的惩罚，另一方面降低了计算量，加快了模型的训练速度.对于船舶数据集而言，遮挡和噪声现象普遍存在，如果模型使用CIoU 作为损失函数，由于其对低质量锚框的惩罚，会使模型训练时难以收敛.1.2　旋转角度计算模块图片在经过Yolo v8s -seg -boat 网络进行分割后，对其轮廓点坐标使用边缘法计算旋转角度，算法步骤如下：（1）通过计算所有轮廓点的坐标的平均值得到船舶的重心坐标，如图5所示；（2）对于每一个轮廓点，计算该点和船舶重心的连线与x 轴的夹角，如图6所示；（3）将所有点的夹角根据不同位置进行加权平均处理，得到船舶的平均夹角；（4）平均夹角减去90度得到船舶的旋转角度，如图7所示.计算船舶的旋转角度时，需要将平均夹角减去90度，是因为船舶的轮廓点坐标与x 轴的夹角是相对于水平方向的，而图片船舶的朝向是垂直于水平图5 opencv 计算重心Fig.5　Opencv calculates the center of gravity图7 旋转角度显示Fig.7　Rotation angle display图 4 改进后的C2f 结构Fig. 4　Improved C2f structure图6 计算轮廓点与重心的夹角Fig. 6　Calculate the angle between the contour point and thecenter of gravity212第 2 期丁秀清，等：基于改进Yolo v8s-seg的船舶旋转角度检测方法方向的，由于船舶生成的轮廓点总数并不完全相同，先将权值根据轮廓点数量平均化，再赋予4个顶点（离矩形框4个顶点最近的4个轮廓点）2倍于其他点的权值，这是因为顶点对旋转坐标的影响更大.2　实验结果与分析2.1　实验数据集收集的船舶的数据集来自于江苏某个水上收费站多个高清摄像头拍摄的航道内船舶图片，这些船舶图片用于该收费站中智慧船闸系统的人工智能训练.根据航道内船舶的数量、大小和种类采集了4000张俯视角度图片，图片大小均为640 × 640，将图片按照8∶1∶1的比例分为训练集、验证集和测试集.相比于航拍和遥感等一系列较高俯视角度的图片数据集，本数据集有着俯视角度较低、船舶位置密集等特点，对模型的检测精度有更高的要求. 2.2　实验评价指标使用以下指标来衡量Yolo v8s-seg-boat网络的分割效果：（1）精确度Precision表示预测为正样本的数据样本中，真正的正样本所占的比例，公式如下：Precision=TP TP+FP，（6）其中：TP表示模型预测为正样本实际也为正样本的数据样本，FP表示模型预测为正样本实际却为负样本的数据样本.（2）召回率Recall表示实际为正样本的数据样本中，真正的正样本所占的比例，公式如下：Recall=TP TP+FN，（7）其中：FN表示实际为正样本预测为负样本的数据样本；一般来说，数据的召回率越高，它的精确度越低.（3）AP与mAP. mAP是目标检测任务中最常用的评估指标之一，可以用来比较不同模型的性能差异；AP表示的是模型在一个类别上的优劣程度，它的实际值是图中曲线与横坐标轴、纵坐标轴围成的面积，取值范围在0∼1之间.2.3　实验结果及分析使用Pytorch深度学习框架搭建实验环境，通过RTX 3090 24GB显卡进行GPU加速，具体环境如表1所示.2.3.1　船舶数据集IoU实验结果分析在船舶数据集训练过程中，输入的图像大小为640 × 640，batch_size、缩放因子、最大迭代轮次、初始学习率分别设为2，0.35，100，0.01. 使用SGD[19]算法优化器调控模型收敛，动量momentum设置为0.937，用于控制模型参数的更新速度和方向.动态焦点损失权重dfl设置为1.5，目的是优化动态焦点损失对总损失函数的贡献程度.实验结果与其他IoU函数进行比较，如表2.对比这3种IoU函数的实验效果可以看出，搭载了WIoU损失函数的分割模型在船舶数据集上的效果最好.与Yolo v8s-seg模型自带的CIoU函数相比较，EIoU[20]在mAP上提升了0.3%，这说明EIoU在CIoU基础上拆分长宽比惩罚项分为长损失和宽损失的操作在船舶数据集上有助于提高分割精度；而WIoU相比于EIoU通过考虑预测框和真实框之间的区域来对IoU进行加权，mAP进一步提高了0.1%.前50轮训练不同IoU函数下模型的分割损失变化如图8所示.从图8中可以看出搭载WIoU损失函数的模型在训练过程中收敛速度最快，分割损失值最小，这说明了WIoU在CIoU的基础上简化的长损失和宽损失在一定程度上加快了模型的收敛，另一方面减少了低质量框对模型训练的影响，使得分割损失变小.2.3.2　船舶数据集注意力机制的实验结果分析在Yolo v8s-seg的主干网络上添加各种注意力机制进行模型训练，效果对比如表3.其中FLOPS是浮点运算数（Floating Point Operations），表示在训练过程中所执行的浮点运算的数量， Parameters是模型的参数量.在mAP50-95表1　实验环境配置单Tab. 1　Experimental environment configuration sheet硬件设备CPUGPU操作系统加速环境深度学习框架参数Intel Xeon Bronze 3104NVIDIA GeForce RTX 3090Ubuntu 20.04CUDA 11.5Pytorch表2　IOU效果对比Tab. 2　IOU effect comparison模型Yolo v8s-seg+CIoUYolo v8s-seg+EIoUYolo v8s-seg+WIoUPre/%95.295.695.6mAP50-95/%91.191.491.5213第 43 卷中南民族大学学报（自然科学版）指标上，CA 效果最好，相较于原模型提高了1%，同时分割精准度提高了2.2%；相比于CBAM ，CA 提取重要空间信息时主要是依据像素之间的关联性，能够更好地捕捉到局部细节和空间结构，而CBAM 主要专注于对通道关系进行建模，无法完全捕捉像素之间的空间依赖性；另一方面，CA 不仅能够捕获跨通道的信息，还能捕获方向感知和位置感知的信息，在复杂场景中更加适合，如本数据集中，船舶分布密集且存在覆盖的情形.因此CA 在指标Pre 和mAP50-95上最优.最后12轮训练中不同注意力机制下mAP 的变化如图9所示.从图9中可以看出注意力机制CA 在训练过程中mAP 的上升速度明显超过其他注意力机制，这说明它对模型梯度下降过程起到了促进作用，帮助模型更好地进行拟合.为了更好地理解CA 对本模型的影响，引入热力图来直观感受特征在加入注意力机制前后的变化，打印未加入CA 的模型Yolo v8s -seg 第9层特征热力图和加入CA 后模型Yolo v8s -seg + CA 第10层（加入注意力机制CA 的层数）特征热力图作比较，如图10所示.模型的热力图主要用于显示图像中各个区域的目标物体的位置和置信度，颜色越深的区域表示模型认为该区域存在目标物体的可能性越高.从图10中可以明显看到加入CA 后颜色在船舶区域更深，说明模型在加入注意力机制CA 后对目标检测物船舶的准确率增加；另一方面，非船舶区域的颜色存在不同程度变浅的现象，这说明了模型对特征权重的分配更加合理，降低了检测误差.2.3.3　消融实验结果分析为了验证模型中加入的各个模块（注意力机制，IoU ）的作用，单独加入CA 或者WIoU进行实验，图 9 最后12轮训练中不同注意力机制对模型mAP 的影响Fig. 9　Effect of different attentional mechanisms on model mAP in the last 12 rounds of training图10 无注意力机制（左）与注意力机制CA （右）的热力图对比Fig. 10　Heat map comparison between no attention mechanism （left ）and attention mechanism CA （right）图8 训练过程中不同IoU 对模型的分割损失变化Fig.8　Segmentation loss variation of the model with different IOUsduring the training process表3　不同注意力机制效果对比Tab. 3　Comparison of the effects of different attention mechanisms模型Yolo v8s -segYolo v8s -seg+CBAM Yolo v8s -seg+MHSAYolo v8s -seg+GAM Yolo v8s -seg+CA FLOPS/G 42.7106.8106.7108.0107.2Parameters/M 11.7925.2025.0526.6825.73Pre/%95.296.597.096.497.4mAP50-95/%91.191.991.691.592.1214第 2 期丁秀清，等：基于改进Yolo v8s -seg 的船舶旋转角度检测方法实验结果如表4.由表4可见：加入的注意力机制CA 与WIoU 对船舶轮廓分割的准确率有不同程度的提升效果，注意力机制CA 涉及到网络层数的增加，训练参数也进一步增加，而WIoU 对模型的准确率提升效果更高，同时WIoU 降低了CIoU 带来的计算复杂度，在一定程度上减少了模型的训练时间，加入这两个模块的模型相比于原模型在mAP50-95指标上提升了1.8%. Yolo v8s -seg 模型与Yolo v8s -seg -boat 模型对船舶轮廓的分割效果对比如图11所示.从图11中可以明显看出：本模型检测的船舶轮廓相比于Yolo v8s -seg 模型更加完整，并且在相同置信度下漏检率更低.船舶角度检测效果如图12所示.由图12可知：水上收费站实地考察得到的上述船舶角度为70.9度，这说明Yolo v8s -seg -boat 模型在角度检测上更加准确.3　结语本文针对船舶旋转角度检测高实时化的需求，提出了基于实例分割的船舶旋转角度检测模型，在Yolo v8s -seg 网络的基础上添加了注意力机制，使用Yolo v8s -seg -boat 网络来得到船舶的轮廓点坐标，再使用旋转角度检测模块来得到船舶的角度.实验结果表明本文提出的改进模型Yolo v8s -seg -boat 相较于Yolo v8s -seg 模型能得到更加完整和精确的船舶轮廓，对船舶角度的检测更加精准，并已在工程上进行了应用.参考文献［1］ XU P F ， HUANG L D ， SONG Y. An optimal methodbased on HOG -SVM for fault detection ［J ］. Multimedia Tools and Applications ， 2022， 81（5）： 6995-7010.［2］ CHOI C H ， KIM J ， HYUN J ， et al. Face detection usinghaar cascade classifiers based on vertical component calibration ［J ］. Human -centric Computing and Information Sciences ， 2022， 12（11）.［3］ LIU Z K ， HU J G ， WENG L B ， et al. Rotated regionbased CNN for ship detection ［C ］// IEEE. 2017 IEEE International Conference on Image Processing （ICIP ）. Beijing ： IEEE ， 2017： 900-904.［4］ YANG X ，YAN J C ，FENG Z M ，et al. R3Det ： Refinedsingle -stage detector with feature refinement for rotating object ［J ］. Proceedings of the AAAI Conference on Artificial Intelligence ， 2021， 35（4）： 3163-3171.［5］ LIU Z ， YEOH J K W ， GU X Y ， et al. Automatic pixel -level detection of vertical cracks in asphalt pavement based on GPR investigation and improved mask R -CNN ［J ］. Automation in Construction ， 2023， 146： 104689.［6］ CHEN K ，PANG J M ， WANG J Q ，et al. Hybrid taskcascade for instance segmentation ［C ］//IEEE. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach ： IEEE ， 2019： 4974-4983.［7］ CAI Z W ， VASCONCELOS N. Cascade R -CNN ： Highquality object detection and instance segmentation ［J ］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2021， 43（5）： 1483-1498.［8］ BOLYA D ， ZHOU C ， XIAO F Y ， et al. YOLACT ： Real -time instance segmentation ［C ］// IEEE. 2019 IEEE/CVFInternational Conference on Computer Vision （ICCV ）. Seoul ： IEEE ， 2019： 9156-9165.［9］ GAO Y C ， WANG H T ， LI M ， et al. Automatic tandem表4　注意力机制与IoU 对模型的影响Tab. 4　Attentional mechanisms and the effect of IOUs on modeling模型Yolo v8s -seg Yolo v8s -seg + WIOU Yolo v8s -seg + CAYolo v8s -seg -boatPre/%95.295.697.497.6mAP50-95/%90.491.592.192.2图 11 Yolo v8s -seg 模型（左）与本模型（右）轮廓分割效果对比Fig. 11　Comparison of contour segmentation effect between Yolo v8s -seg model （left ） and the presented model （right）图 12 Yolo v8s -seg 模型（左）与本模型（右）角度检测效果对比Fig. 12　Comparison of angle detection effect between Yolo v8s -segmodel （left ） and the presented model （right ）215第 43 卷中南民族大学学报（自然科学版）dual BlendMask networks for severity assessment of wheatFusarium head blight［J］. Agriculture， 2022， 12（9）： 1493.［10］TIAN Z，SHEN C，CHEN H. Conditional convolutions for instance segmentation［C］//ECCV. Computer Vision-ECCV 2020： 16th European Conference. Glasgo： SpringerInternational Publishing，2020： 282-298.［11］SUN X M，FANG W T，GAO C Q，et al. Remote estimation of grafted apple tree trunk diameter in modernorchard with RGB and point cloud based on SOLOv2［J］.Computers and Electronics in Agriculture，2022，199：107209.［12］WU W T，LIU H，LI L L，et al. Application of local fully Convolutional Neural Network combined withYOLO v5 algorithm in small target detection of remotesensing image［J］. PLoS One， 2021， 16（10）： e0259283.［13］杨长辉，吕庆，邹贵帆，等.基于改进YOLACT的金属滚动接触疲劳缺陷检测模型［J］.计算机应用，2023，43（S1）：235-242.［14］HOU Q B， ZHOU D Q， FENG J S. Coordinate attention for efficient mobile network design［C］// IEEE.2021IEEE/CVF Conference on Computer Vision and PatternRecognition （CVPR）. Nashville：IEEE，2021：13708-13717.［15］张艳君，沈平，郭安辉，等.融合CBAM-YOLOv7模型的路面缺陷智能检测方法研究［J］.重庆理工大学学报（自然科学），2023，37（11）：213-220.［16］齐向明，董旭. 改进Yolov7-tiny的钢材表面缺陷检测算法［J］. 计算机工程与应用， 2023， 59（12）： 176-183.［17］ZHENG Z H，WANG P，LIU W，et al. Distance-IoU loss：Faster and better learning for bounding boxregression［J］. Proceedings of the AAAI Conference onArtificial Intelligence， 2020， 34（7）： 12993-13000.［18］TONG Z，CHEN Y，XU Z，et al. Wise-IoU： Bounding box regression loss with dynamic focusing mechanism［J］.arXiv Preprint arXiv： 2301.10051， 2023.［19］AMARI S I. Backpropagation and stochastic gradient descent method［J］. Neurocomputing，1993，5（4/5）：185-196.［20］YANG Z，WANG X，LI J. EIoU：An improved vehicle detection algorithm based on vehiclenet neural network［J］.Journal of Physics：Conference Series IOP Publishing，2021， 1924（1）： 012001.（责编曹东，校对刘钊）216。

书法实训室书法家简介邱零艺术简介邱零，1929年10月生，河南淅川人。

1946年毕业于河南省立信阳高级师范艺术科。

1949年参加中国人民解放军，1958年转业，从事记者、编辑工作近30年。

原中国书法家协会二届理事，中国书协刻字研究会副会长，中国剪纸学会常务理事，中国摄影家协会会员，新疆书法家协会常务副主席兼秘书长，现为新疆书协顾问。

主要成就作品多次参加国内外举办的大型书法、刻字展览，并被收入《中华人民共和国现代书法名作集》(日本版)、《当代中国书法艺术大成》、《中国当代书法百家》、《毛主席纪念堂珍藏书画集》等数十部书画集。

多次被聘为国内外书法大展的评委和顾问。

其墨迹还被孙中山纪念馆、毛主席纪念堂、周恩来总理纪念馆、中国革命军事博物馆等收藏，并被黄河碑林、翰园碑林、泰山碑林、岳阳楼碑林等勒石刻碑。

1990年9月应邀参加“中国书协刻字艺术代表团”赴日本交流书艺，被授予“国际刻字贡献荣誉章”。

1993年8月应新加坡书协之邀赴新讲学，被新加坡书协聘为评议员。

新疆电视台、中央电视台海外中心、美国日金山熊猫电视台、洛杉矶中文卫视台、海峡之声广播电台、菲律宾《商报》等国内外多种新闻媒体都对其书法艺术作过专题报道。

张鹤岭艺术简介张鹤岭，又名合岭，别署鹤斋主、鹤庐。

1942年6月生，河南遂平人。

1961年信阳师范学校读书，课余专攻楷书，尤于柳体用功最勤。

中国书法家协会会员，河南省书法家常务理事、省书协书法创作委员会副主任，河南省书法函授院研修生导师，洛阳书法家协会副主席，洛阳书画院名誉院长，洛阳大学客座教授。

2000年获全国首批“德艺双馨书法艺术家”称号。

主要成就作品获奖：荣获河南首届中原书法大赛一等奖,全国第二届神龙杯书法大赛园丁奖,首届河南书法龙门奖银奖。

作品入展：中日书法艺术交流展，全国第二、四、五、七届书法篆刻展，全国第三、五、六届中青年书法篆刻展，全国首届书法名家精品展，全国首届正书展览，全国首届自作诗词书法展，国际书法展，河南省第一届墨海弄潮展等。