论文写作篇#6：在C会里，YOLO文章的摘要怎么写？Conclusion怎么写？摘要和Conclusion有哪些区别？

前两次学习中，我们学习了C会YOLO论文的结构和消融实验的写法

论文写作篇#5：想发C会，YOLO的消融实验Ablation Experiment/Study怎么写？-CSDN博客https://blog.csdn.net/hjs314159/article/details/146261468?spm=1001.2014.3001.5502论文写作篇#4：YOLO还能发C会论文吗？C会论文的YOLO文章结构解析-CSDN博客https://blog.csdn.net/hjs314159/article/details/146241867?spm=1001.2014.3001.5502C会YOLO论文的结构和消融实验的写法，此次依然参考其中的8篇论文

 今天学习的是C会YOLO论文的摘要和Conclusion板块的写作方法和区别。

摘要（Abstract）：

字数/篇幅： 

据统计，在8篇C会论文里，摘要最短的论文仅写了90个单词/字，而最多的就将近模板要求的上限250字了。因此我们大致可以得到一个规律，就是会议摘要的篇幅大致在100-250字之间。

内容：

内容方面，我们可以看看90字摘要是怎么写的，从中可以得出摘要的必须是什么？

The target detection task of drones requires lightweight algorithms to fully utilize limited resources. Therefore, this paper proposes the YOLOv8LD model. Firstly, propose the ASBiFPN neck network; Secondly, improve the detection head. Once again, introduce MPDIoU and improve the classification loss function to address the issue of imbalanced data samples. Finally, using pruning algorithms significantly reduces model volume. Improved YOLOv8-LD model in the VisDrone2019 dataset [email protected] Improved by 21%. After pruning, compared with YOLOv8, the model parameters decreased by 81% and the volume decreased by 67%, [email protected] increase by 3%.

无人机的目标探测任务需要轻量级算法来充分利用有限的资源，因此本文提出YOLOv8LD模型，首先提出ASBiFPN颈网;其次，改进检测头。再次，引入MPDIOU，改进分类损失函数，解决数据样本不均衡的问题。最后，使用剪枝算法显著减少模型体积。改进后的YOLOv8-LD模型在VisDrone 2019数据集[email protected]上提高了21%。剪枝后，与YOLOv8相比，模型参数下降81%，体积下降67%，[email protected]增加3%。 

我们不难看出，这个摘要浓缩了最重要的几个关键信息。

背景： 

无人机的目标探测任务需要轻量级算法来充分利用有限的资源，因此本文提出YOLOv8LD模型。

改进： 

首先提出ASBiFPN颈网;其次，改进检测头。再次，引入MPDIOU，改进分类损失函数，解决数据样本不均衡的问题。最后，使用剪枝算法显著减少模型体积。

此处可以丰富一些描述，例如模块的原理和效果等等

总体效果 ：

改进后的YOLOv8-LD模型在VisDrone 2019数据集[email protected]上提高了21%。剪枝后，与YOLOv8相比，模型参数下降81%，体积下降67%，[email protected]增加3%。

总的来说，8篇论文的摘要都是按这三个部分展开论述的，无非有的细致有的概括，总体上没太大的差别。

Conclusion：

 字数/篇幅： 

据统计，在8篇C会论文里，Conclusion最短的论文仅写了50个单词/字，而最多的就将近205字了。因此我们大致可以得到一个规律，就是会议Conclusion的篇幅大致在50-200字之间。

内容：

内容方面，我们可以看看50字Conclusion是怎么写的，从中可以得出摘要的必须是什么？值得说明的是这个最短Conclusion和最短摘要是同一篇文章，这篇文章的篇幅也只有9页，是所有文章中最少的。

This paper proposes a lightweight object detection algorithm YOLOv8-LD suitable for drone scenarios. Proposed the ASBiFPN neck feature fusion network; Improve the detection head; Introducing MPDIoU loss; Propose ASL classification loss; Use pruning algorithms to reduce model volume. And verified the effectiveness of the proposed improvement plan in this paper.

本文提出了一种适用于无人机场景的轻量级目标检测算法YOLOv 8-LD，提出了ASBiFPN颈部特征融合网络;改进了检测头;引入MPDIOU损失;提出了ASL分类损失;使用剪枝算法减少模型体积，并验证了本文提出的改进方案的有效性。 

这篇论文的Conclusion甚至没写背景，几乎只写了做了哪些改进，实验部分也是一笔带过。这就说明了Conclusion部分的不可缺少的就是总结所作的改进。

一般来说，Conclusion可能是这样：

针对无人机图像中小尺度目标检测的难题，提出了一种先进的目标检测模型DCM-YOLOv8。该模型采用DASPPF，利用大卷积核和变形卷积提供的广泛的感受野，从而增强了模型对复杂场景的可解释性和对微小目标的精确定位。随后，CLMiFPN模块通过融合多级信息提高了小尺度目标检测的准确性。此外，集成在动态头模块中的MCA机制，DCM-YOLOv8已在VisDrone 2019 DET数据集上进行了经验验证，其性能已与最先进的网络进行了比较，展示了小规模目标检测精度和计算效率的进步。

相应的，这篇文章的摘要是：

无人机（Unmanned Aerial Vehicle，简称UAV）飞行器检测技术的发展在交通监控、管理和交通执法等领域具有重要意义，但由于无人机提供的高空视野导致图像中车辆的代表性较小，有限的分辨率导致细节模糊，增加了小目标识别的难度，为解决这一难题，本研究介绍了一种基于YOLOv8n架构的创新方法DCM-YOLOv8。首先，本研究引入了深度注意空间金字塔池模块（DASPPF），该模块通过将大卷积核的大感受野与可变形卷积的灵活性相结合来熟练地处理复杂的视觉信息。其次，本文详细介绍了一种跨层多方向加权金字塔网络（CLMiFPN）的设计，该网络能够有效地融合多尺度信息以提高对小目标的检测性能，最后提出了一种新的多路径协调注意（MCA）机制，DCM-YOLOv8内置于动态头模块中，取代传统的探测头。这使得在复杂环境中更有效地捕获与小目标相关的信息。在对VisDrone 2019 DET数据集进行评估时，DCM-YOLOv8模型优于基线YOLOv8n，在50%的交集大于并集（IOU）阈值下，平均精度（mAP）增加了13.2%。所提出的模型在mAP上注册了2.1%的改进，而仅需要17.7%的每秒千兆浮点运算（GFLOPs）。 

可以明显感受到的是摘要会比Conclusion更加地丰富，同之前说的一样，摘要是背景+改进+总体效果（数值），那么Conclusion就是（背景）+改进（略写）+效果（非量化）。

总结：

本文讨论了C会YOLO论文中摘要和Conclusion板块的写作方法及其区别。摘要通常包含背景、改进和总体效果，篇幅在100-250字之间，重点是概括核心信息。Conclusion则更加简洁，通常在50-200字之间，主要总结所做的改进，强调效果，但不涉及详细的数值或背景。摘要比Conclusion更加丰富，且更注重具体的结果与描述，而Conclusion则突出改进和整体效果的总结，通常不包括详细的背景和实验部分。