“新工科”背景下人工智能专业创新人才培养体系的探索与实践

在“新工科”背景下,中国矿业大学人工智能专业培养方案立足于创新型人才的培养,搭建了“厚基础”型理论课程体系,“强能力”型实践课程体系;构建了数学与电子基础课程群、计算机科学与技术课程群和人工智能课程群;形成了从初级、中级到高级的递进式系统能力培养层次;设计了“竞、创、训”相融合的教学质量保障体系。实践结果表明,该人工智能专业培养方案有利于创新型人才的培养。

神经架构搜索综述

近几年,深度学习因具有强大的表征能力,已经在许多领域中取得了突破性的进展,而神经网络的架构对它的性能至关重要。然而,高性能的神经网络架构设计严重依赖研究人员的先验知识和经验,神经网络参数量庞大,难以设计最优的神经网络架构,因此自动神经架构搜索(NAS)获得了极大的关注。NAS是一种使用机器学习的方法,可以在不需要大量人力的情况下,自动搜索最优网络架构的技术,是未来神经网络设计的重要手段之一。NAS本质上是一个搜索优化问题,通过对搜索空间、搜索策略和性能评估策略的设计,自动搜索最优的网络结构。从搜索空间、搜索策略和性能评估策略这3个方面详细且全面地分析、比较和总结目前NAS的研究进展,方便读者快速了解神经架构搜索的发展过程和各项技术的优缺点,并提出NAS未来可能的研究发展方向。

基于视觉-语言预训练模型的零样本迁移学习方法综述

近年来随着人工智能(AI)技术在计算机视觉与自然语言处理等单模态领域表现出愈发优异的性能,多模态学习的重要性和必要性逐渐展现出来,其中基于视觉-语言预训练模型的零样本迁移(ZST)方法得到了国内外研究者的广泛关注。得益于预训练模型强大的泛化性能,使用视觉-语言预训练模型不仅能提高零样本识别任务的准确率,而且能够解决部分传统方法无法解决的零样本下游任务问题。对基于视觉-语言预训练模型的ZST方法进行概述,首先介绍了零样本学习(FSL)的传统方法,并对其主要形式加以总结;然后阐述了基于视觉-语言预训练模型的ZST和FSL的区别及其可以解决的新任务;其次介绍了基于视觉-语言预训练模型的ZST方法在样本识别、目标检测、语义分割、跨模态生成等下游任务中的应用情况;最后对现有的基于视觉-语言预训练模型的ZST方法存在的问题进行分析并对未来的研究方向进行展望。

基于轻量化SSD的弱小目标检测

针对使用Vgg-16作为特征提取网络的目标检测算法SSD存在的模型不够轻量化以及对弱小目标的检测能力较弱等问题,提出替换SSD主干网络和在其分类层前添加特征融合模块的改进方法。在对目标检测数据集Pascal VOC07+12进行预处理之后,选择轻量化特征提取网络PeleeNet作为SSD的主干网络,平均精度提高1.7%的同时也将模型权重缩减为原来的1/5。此外,在模型分类层前将SSD生成的前三个特征图进行特征融合,丰富了小目标特征图的背景信息,在VOC2007测试集上的平均精度再次提高了3.1%。同时,模型在VOC小目标类别上的平均精度也要比对比方法高出1~5.5个百分点。最后,将模型在嵌入式开发板Jetson TX2上进行部署运行,实现了深度学习模型在嵌入式终端上的部署与应用。

基于特征膨胀卷积模块的轻量化技术研究

本文从卷积神经网络模型的网络结构入手,利用特征复用的思想,设计了高效的特征膨胀卷积模块.该模块减少了标准卷积模块的输出通道数,引入了多分支结构.通过各个分支上的廉价操作对标准卷积操作的输出特征图进行变换和融合,产生新的特征图.模块的最终输出由各个分支上生成的特征图进行合并连接得到.特征膨胀卷积模块利用特征复用思想复用模型中的特征,在降低模型计算量的同时,丰富了特征图隐含的信息,提高了模型的性能.最后,将特征膨胀卷积模块代替标准卷积模块,设计了轻量化的VGG16(Visual Geometry Group 16-Layer)模型和残差结构,并且在CIFAR数据集和ILSVRC2012(ImageNet Large Scale Visual Recognition Challenge 2012)数据集上取得了较好的分类效果.

“三学三展”课堂教学范式:内涵与实践

“三学三展”是教学方式的思考与建构,是学生“在学习”“真学习”“会学习”的学习进阶,是与教材对话、与自我对话、与伙伴对话的深度加载。从学理、学法、学力上阐释了“三学三展”的内涵与逻辑;从听、说、读、展的规范上,让课堂规则由“无序”走向“有序”;从“三学”“三展”的具体做法中,诠释课堂组织策略从“点”辐射到“面”。学校着力优化学生的学习过程,实现高品质、高质量的学习成果,从而促进学生成为自我主导、自主创造的学习者。

面向智能采矿工程专业的图像理解与视觉感知课程建设研究

通过对图像理解与视觉感知课程教学中存在的“双一流”智能采矿专业相关度不强、学生学习难度较大、课程教学交互性较差和课程的理论与实践有待提升等问题产生的原因进行分析,尝试以智能采矿工程专业研究对象为主线,加深课程内容的广度、深度、高度,增加相关度;对微信小程序的图像处理与视觉感知算法进行设计与实现,希望其可在教学中发挥高效、便捷作用,为智能采矿工业学生在对图像处理与视觉感知领域提供尽可能多的认识与便利;另外,将课程理论与实践的学时合理安排,完善智能采矿专业实践案例,解决智能采矿工程领域应用的实际问题。实践结果表明,调整现有的课程教学内容、交互式教学方式和专业实践案例,进行有机结合,能达到良好的教学效果。

ADIC:一种面向可解释图像识别的自适应解纠缠CNN分类器

近年来,卷积神经网络(convolutional neural network,CNN)作为一种典型的深度神经网络模型,在图像识别、目标检测和语义分割等计算机视觉领域中取得了令人瞩目的成效.然而,CNN端到端的学习模式使其隐藏层的逻辑关系以及模型决策结果难以被解释,这限制了其推广应用.因此,研究可解释的CNN具有重要意义和应用价值.为了使CNN的分类器具有可解释性,近年来涌现出了很多在CNN架构中引入基础概念作为插入式成分的研究.事后概念激活向量方法以基础概念为表现形式,用于分析预训练的模型,但依赖独立于原始模型的额外的分类器,解释结果可能并不符合原始模型逻辑.另外,现有的一些基于概念的事前可解释方法对于CNN潜在分类空间中的概念处理太过绝对.引入图卷积网络模块,设计了一种类内概念图编码器(within-class concepts graphs encoder, CGE)学习类内基础概念及其潜在交互.在CGE基础上,设计实现不同依赖关系的基础概念不同程度解纠缠的正则化项,提出了潜在空间自适应解纠缠的可解释CNN分类器(adaptive disentangled interpretable CNN classifier, ADIC).将ADIC嵌入ResNet-18和ResNet-50架构,在Mini-ImageNet和Places365数据集上的分类实验和可解释图像识别实验结果表明,ADIC在保证基准模型具有自解释能力的前提下,可以进一步提高基准模型的精度.

图像分割的新理论和新方法

图像分割是是计算机视觉研究中的一个经典难题，已成为图像理解领域关注的一个热点．本文对近年来图像分割方法的研究现状与新进展进行了归纳总结．首先，简单介绍了图像分割的传统方法，包括基于区域的、基于边缘的和两者结合的图像分割方法．然后，分别从数学形态学、模糊集、神经网络、支持向量机、免疫算法、图论和粒度计算等方面对图像分割方法进行了重点讨论，并对应用每一种理论的最新研究进展作了评述．最后，对图像分割方法的发展趋势进行了展望．

煤与瓦斯突出的PCA-BP神经网络预测模型研究

通过主成分分析法对煤与瓦斯突出的主要影响因素进行主成分提取,选取贡献率大于85%的3个主成分来代替原来的7个影响因素,以此来确定BP神经网络的输入参数为3个。根据煤与瓦斯突出的类型,建立了煤与瓦斯突出预测的PCA-BP神经网络模型。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对PCA-BP网络进行训练。以云南某煤矿的煤与瓦斯突出实例作为预测样本,仿真结果表明PCA-BP神经网络模型性能优于传统BP神经网络,能够满足煤与瓦斯突出预测的要求。

原发性肝细胞癌组织中Syntaxin 8表达变化及意义

目的观察突触融合蛋白8(Synatxin 8)在原发性肝细胞癌(HCC)组织中的表达变化,并探讨其意义。方法收集75例HCC患者术后肝癌组织及其对应癌旁肝硬化组织,采用组织芯片免疫组织化学染色及Western blotting方法检测Syntaxin 8蛋白表达,分析Syntaxin 8蛋白表达与HCC患者临床病理特征的关系。结果 HCC组织中Syntaxin 8蛋白表达较癌旁肝硬化组织明显下调,差异有统计学意义(P<0.05);Syntaxin 8蛋白表达与HCC患者的性别、年龄无关,而与肿瘤大小、TNM分期及淋巴结转移有关(P均<0.05)。结论 Syntaxin 8蛋白在HCC组织中呈低表达,Synatxin 8可能参与了HCC的发生发展。

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上,从提高算法收敛速度和性能出发,提出了一种改进算法:随机选择样本输入次序;根据实际应用并结合专家经验确定初始连接权值;采用高斯函数作为拓扑邻域函数;将算法分成排序和收敛两个阶段,并分别采用不同的学习率和邻域函数.采用改进后的SOFM算法对输入样本进行自组织聚类,再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题,提高了分类精度.仿真实验结果表明,该网络能够识别常用的数字(0～9)和英文字母,特别是在有噪声污染的情况下,可以获得较好的效果.

基于StarGAN和类别编码器的图像风格转换

图像风格转换技术已经融入到人们的生活中,并被广泛应用于图像艺术化、卡通化、图像着色、滤镜处理和去遮挡等实际场景中,因此,图像风格转换具有重要的研究意义与应用价值.StarGAN是近年来用于多域图像风格转换的生成对抗网络框架.StarGAN通过简单地下采样提取特征,然后通过上采样生成图片,但是生成图片的背景颜色信息、人物脸部的细节特征会与输入图像有较大差异.对StarGAN的网络结构进行改进,通过引入U-Net和边缘损失函数,提出了用于图像风格转换的UE-StarGAN模型.同时,将类别编码器引入到UE-StarGAN模型的生成器中,构建了融合类别编码器的小样本图像风格转换模型,实现了小样本的图像风格转换.实验结果表明:该模型可以提取到更精细的特征,在小样本的情况下具有一定的优势,以此进行图像风格转换后的图片无论是定性分析还是定量分析都有一定的提升,验证了所提模型的有效性.

彩色多普勒超声诊断甲状腺癌的临床研究

目的:通过甲状腺良、恶性结节的彩色多普勒超声声像图特征对比,探讨彩色多普勒超声诊断甲状腺癌的优越性。方法:经手术治疗的128例甲状腺肿瘤患者,其中甲状腺癌62例,结节性甲状腺肿66例,对其病变结节的常规超声表现及彩色多普勒超声声像图进行回顾性分析。结果:128例患者中甲状腺癌及结节性甲状腺肿的超声诊断符合率为83.6%,误诊率为7.0%,对甲状腺癌与结节性甲状腺肿的超声声像图进行比较,总结其诊断特异性。结论:甲状腺癌有较典型的二维声像图特点及彩色多普勒血流成像特征,彩色多普勒超声是目前诊断甲状腺癌的首选检查方法,为临床早期诊断、早期治疗提供重要的诊断依据。

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。

基于安卓系统的教师个人事务助手软件

针对高校教师的应用需求和教学工作特点,结合学校的课程模式,通过在Windows10平台搭建以Eclipse为开发工具和Genymotion为模拟器的开发环境,设计并实现了基于安卓系统的教师个人事务助手软件。该助手主要包含用户管理、课程管理、课表管理、课时量管理和记事本管理五大功能模块。通过对各项功能模块的测试结果表明,该助手软件可满足教师的日常教学需求。

构建“三位一体”的研究生创新能力培养体系

本文主要探讨了构建研究生创新能力培养、研究生导师科研素质培养和创新性学术环境"三位一体"的研究生创新能力培养体系。最后,给出了"三位一体"创新能力培养体系的实践探索。

基于D-K算法的煤矿水灾多最优路径研究

矿井水灾时选择合理的逃生路线,需要考虑水及巷道其他因素的影响,引入当量长度来求解到达逃生地点用时最短最安全的路径。Dijkstra算法可求解从源节点到目标节点的最短路径,K则最优路径算法可求解从源节点到某一目标节点的前N条最优路径,矿井水灾时,为了避免拥挤,同一地点工作的人员可选择多个逃生井口进行逃生,但从源节点到某一目标节点的前N条最优路径并不一定是到其他逃生井口的前N条最优路径,基于这种思路,在Dijkstra算法的基础上,提出一种从源节点到其他所有逃生节点的前N条最优路径的新方法,并结合矿井具体实例,与Dijkstra算法和K则最优路径算法比较,用MATLAB仿真实现。

一种改进的编辑距离算法及其在数据处理中的应用

基于数据处理的需要,在分析原有编辑距离算法的基础上,通过拓展交换操作减少编辑操作的数量。与仅对计算点之前相邻位置字符间的交换操作相比,通过对计算点前后非相邻位置字符间的交换操作改进该算法,能够得到更理想化的编辑距离。将改进的编辑距离算法应用于煤矿隐患数据的处理,提高了隐患数据分类分级的有效性和执行效率。

SOA架构的工作流管理系统的研究与应用

为了更好地在分布式异构环境下实现企业的业务流程,满足企业基于Internet的管理和企业间合作的要求,提出了SOA架构的工作流管理系统。指出了传统工作流管理系统的局限性,分析了将SOA与工作流管理系统结合的可能性,并提出了基于SOA架构的工作流管理系统模型,阐述了基于SOA的业务流程集成机制。以某企业科技项目管理系统的改进与开发为例,讨论了如何将基于SOA的工作流技术应用于具体的管理信息系统开发中。