....................................................................................115 2.3 大模型训练与微调技术 ....................................................119 2.3.1 预训练技术............................ ............119 2.3.2 微调技术.........................................................................................................................................125 2.3.3 高效微调技术..................... 其跨阶段融合机制分离处理低频特征与高频残差，农田场景重建 SSIM 达 0.921，病害识别 准确率提升 11%。RingMo-SR 基于无人机基座模型 RingMo-Aerial，通过频域特征增强与仿 射对比学习预训练，结合适配器微调实现超分-分割多任务协同，UAVDT 数据集多目标追踪 MOTA 提升 3.1%。针对无人机图像特有的空间分辨率与光谱信息关联性，Arun 等[69]设计 了专用卷积网络架构，将亚像素映射技术与

，通过稀疏标签引导非对称掩码重建 ，实现精准无人机视频计数 (ICLR 2025) DroneBird 无人机视频计数数据集 基于非对称高效掩码自编码器的无人机视频计数（ E-MAC ） 基于两阶段损失权重分配的推理高效微调（ DMPO ） 偏置模块 解耦优化 初始阶段 : αearly < αdeep 基于早退策略在视觉基础模型前端引入高判别高阶预测器 ， 设计两阶段损失权重 分配策略提升早期预测器准确性 ， 30% 内存消耗的准确率接近全推理性能 创新：基于高阶预测器器解耦优化的视觉基础模型推理高效微调 (ICCV 2025) 先学习低级特征的生成 随后提升判别能力 loss↓ ➫ 判别能力 ↑ loss↑ ➫ 判别能力 ↓ xi = Bypi (xi) + xi 高阶预测器

赋能网络管控是 “AI for Networking” 的一个关键领域. 以 ChatGPT 为代表的生成式 AI 将颠覆网络智能管控的传统模式. 它们通过在大规模语料库上进行预 训练, 进而在多种下游任务中微调, 从而在网络智能管控和通信语言理解等方面展现出巨大潜力. 对 于基于数字孪生的网络管控机制, 生成式 AI 可以增强数据采集, 创造出更多的合成数据, 尤其是一些 敏感或高安全领域的数据和长尾数据 然后, 数字孪生网络模型提供一个便于交互的三维可视化平台, 有助 于运维人员参与其中, 帮助解释和理解生成式 AI 的输出, 增加透明度和可信性. 最后, 数字孪生可以 为生成式 AI 提供特定的微调场景, 使 AI 能够更有针对性地生成内容或做出网络管理决策. 但其庞大 的模型参数规模使得推理速度和内存占用不适合直接在边缘侧部署. 如何将大模型与低空智联网场景 中的数字孪生深度结合, 现阶段仍然缺乏成熟路径

转、添加噪声等，以增强模型的泛化能力。 在算法集成过程中，还需要考虑模型的训练和优化。训练数据 应涵盖各种可能的场景和条件，以确保模型在实际应用中的鲁棒 性。训练过程中，可以采用迁移学习的方法，利用预训练模型进行 微调，以加快训练速度并提高模型性能。优化方面，可以采用学习 率调整、正则化、早停等技术，防止模型过拟合，并提高模型的泛 化能力。 为了确保 AI 算法在实际应用中的稳定性和可靠性，还需要进 行严 R-CNN。这些算法能够在保证较高检测精度的同时，满足实时性要 求。为了提高识别的准确性，可以引入多尺度特征融合技术，并结 合注意力机制，增强对目标的关注度。对于特定场景（如农田、城 市道路等），还可以通过迁移学习对预训练模型进行微调，以适应 不同的环境需求。 图像分割模块用于将图像中的目标与背景分离，或对图像中的 不同区域进行精细划分。可以采用语义分割算法，如 U-Net 或 DeepLab，这些算法能够实现对复杂场景的精确分割。对于无人机 像中的多层次特征，适用于无人机采集的复杂场景图像。具体实现 中，将使用预训练的深度学习模型（如 ResNet、EfficientNet 或 YOLO）作为基础，结合迁移学习技术，针对无人机图像的特点进 行微调。微调过程中，将使用无人机采集的实际数据集进行训练， 确保模型能够适应低空环境下的光照变化、背景干扰以及目标对象 的多样性。 其次，图像识别算法的开发将注重多目标检测与分类能力。无 人机在实际应

过程中，并行或串行训练多个模型，并在训练过程中通过让多个模型之间互相学 习、互相制约彼此远离，达成获得多个异构模型的目的。④预训练模型异构化微 32 调技术。针对于复杂任务与大模型，使用异构的数据集与辅助模型进行预训练模 型的微调，服务于不同的下游任务。 图 13 模型安全技术思路 5. 总结与展望 随着低空经济的快速发展，低空智能网联网络与数据安全的重要性日益凸显。 面对潜在的安全威胁和挑战，构建完善的安全标准体系已成为行业可持续发展的

17621379966 长期有效 中游 产品 低空云端 融合通信 终端 技术：国内首款将卫星通信终 端与中型旋翼无人机融合的 全新无人机卫星通信系统。 功能作用：先进的调节技术， 实现无人机悬停中微调对星， 让用户在短时间内完成设备 对星调试。 服务及解决方案：解决复杂地 形和恶劣环节下人员无法进 入地区的应急通信保障，可集 成 4/5G 自组网系统，图像采 集吊舱，支持实时回传飞行录

转、添加噪声 等操作，增强模型的泛化能力，减少过拟合现象。  模型优化：采用更先进的深度学习模型（如 YOLOv5、EfficientDet 等），并结合迁移学习技术，利用预 训练模型进行微调，提升识别效果。  多传感器融合：结合红外、热成像等多模态数据，提升模型在 复杂环境下的识别能力。例如，在烟雾较大的场景中，红外图 像可以提供更清晰的火灾特征。  实时反馈机制：在无人机飞行过程中，实时监控识别结果，并 Transformer 模型或混合卷积 神经网络（CNN）与循环神经网络（RNN）的复合模型，以提升 模型对复杂场景的适应能力。同时，通过引入迁移学习技术，利用 已有的火灾数据集对模型进行预训练，再结合本地数据进行微调， 从而进一步提高模型的泛化能力。 其次，无人机硬件平台的升级也是技术升级的重要组成部分。 现有的无人机在续航能力、载荷能力和抗风性能方面存在一定的局 限性，尤其是在复杂地形和恶劣天气条件下的表现不够理想。为

通常较高，可以设定 为每 30 分钟一次采样；而在夏季，由于降水量和风力的影响，污 染物浓度相对较低，则可以适当降低为每小时采样。 最后，进行长期的监测和数据收集后，可以根据实际采样结果 来微调采样频率，以便更好地符合监测目标和数据分析需求。 通过上述方案，低空环保监测网络的采样频率设置将会在满足 监测要求的前提下，实现高效的数据收集与分析，为环境保护提供 有效的支持。 5.2 数据传输方法