这篇文档属于类型a，即报告了一项单一原创研究的学术论文。以下是基于文档内容的学术报告：

主要作者及机构
本研究由Subbaraju Pericherla（来自印度SRKR工程学院信息技术系）和E. Ilavarasan（来自印度Puducherry技术大学计算机科学与工程系）共同完成。该研究于2025年发表在期刊《Evolving Systems》上，论文标题为《Cyberbullying Detection and Classification on Social Media Images Using Convolution Neural Networks and CB-YOLO Model》。

学术背景
随着社交媒体的普及，网络欺凌（cyberbullying）问题日益严重。网络欺凌通过文字、图片或视频形式对受害者进行威胁、骚扰或羞辱，给受害者带来心理和行为上的负面影响。尽管已有研究通过自然语言处理（NLP）和机器学习（ML）技术检测文本形式的网络欺凌，但对基于图片的网络欺凌检测研究较少。图片形式的网络欺凌由于其内容的模糊性和上下文依赖性，检测难度更大。本研究旨在开发一种轻量级的深度学习模型，用于在社交媒体图片中检测和分类网络欺凌行为。

研究目标
本研究的主要目标是设计并实现两种深度学习模型：基于二维卷积神经网络（CB-2DCNN）的模型和基于YOLO（You Only Look Once）的CB-YOLO模型，以高效检测和分类社交媒体图片中的网络欺凌行为。研究还希望通过系统研究，揭示网络欺凌图片的视觉特征，并开发自动检测系统。

研究流程
研究分为以下几个主要步骤：
1. 数据收集与预处理
研究使用了来自Facebook、Instagram和Twitter的19,300张图片数据集，其中14,581张为非欺凌图片，4,719张为欺凌图片。图片包含身体姿势、表情、手势、物体和社交背景等多种特征。使用LabelImg工具对图片进行标注，生成VOC XML格式的标签文件。

1. 模型设计

   • CB-2DCNN模型：该模型通过卷积操作提取图片特征，池化操作选择重要特征，最终通过全连接层进行分类。模型使用ReLU作为激活函数，Softmax作为输出层函数，并采用随机梯度下降（SGD）和Adam优化器进行训练。
     
   • CB-YOLO模型：该模型结合了CBNet骨干网络、特征金字塔网络（FPN）和YOLOv4检测头。CBNet通过多骨干网络生成丰富的特征表示，FPN通过上下采样路径融合多层次特征，YOLOv4则用于检测欺凌对象。模型通过迁移学习和微调预训练模型提高检测精度。

2. 模型训练与评估
   研究将数据集按70:30的比例分为训练集和测试集。CB-2DCNN模型在不同样本量（5,000、10,000和19,300）下进行训练，并记录准确率、精确率、召回率和F1分数。CB-YOLO模型在相同数据集上训练，并通过ROC曲线和AUC值评估性能。

3. 结果分析

   • CB-2DCNN模型：在19,300个样本下，模型对欺凌类别的准确率为94.32%，精确率为95.20%，召回率为96.84%，F1分数为95.92%。
     
   • CB-YOLO模型：在相同样本量下，模型对欺凌类别的准确率为97.85%，精确率为97.65%，召回率为97.84%，F1分数为97.20%。CB-YOLO模型在所有评估指标上均优于CB-2DCNN模型。

主要结果
研究结果表明，CB-YOLO模型在检测和分类网络欺凌图片方面表现优异，其AUC值达到0.97，显著高于CB-2DCNN模型的0.94。CB-YOLO模型通过多阶段检测和特征融合，能够更准确地识别图片中的欺凌对象。研究还发现，随着训练样本量的增加，模型性能显著提升。

结论与意义
本研究成功开发了两种深度学习模型，特别是CB-YOLO模型，在检测社交媒体图片中的网络欺凌行为方面表现出色。研究的科学价值在于首次将YOLO模型应用于网络欺凌图片检测，并通过系统研究揭示了网络欺凌图片的视觉特征。该模型的实际应用价值在于为社交媒体平台提供了一种高效的网络欺凌检测工具，有助于减少网络欺凌内容的传播。

研究亮点
1. 创新性：首次将YOLO模型应用于网络欺凌图片检测，结合CBNet和FPN网络，显著提高了检测精度。
2. 系统性：通过大规模数据集和多种评估指标，全面验证了模型的性能。
3. 实用性：模型轻量化设计，适用于实际应用场景，为社交媒体平台提供了有效的网络欺凌检测解决方案。

其他有价值的内容
研究还探讨了网络欺凌图片的视觉特征，如暴力、裸露等，为未来研究提供了重要参考。此外，研究通过迁移学习和微调预训练模型，展示了深度学习技术在复杂问题中的应用潜力。

这篇报告详细介绍了研究的背景、目标、流程、结果和意义，为其他研究者提供了全面的参考。