面向计算机专业的“区块链技术”翻转课堂设计

区块链是计算机类专业的一门前沿热点课程,涉及选修知识广泛,要求学生具备一定的专业知识综合应用能力。本文提出使用翻转课堂的教学模式(O-PIRTAS),将理论与应用实践有机结合,旨在通过项目推进、案例驱动,加强思维方式的训练和内在学习动机的激发,满足新工科专业建设的需求,以解决此类课程在传统教学模式下存在的主要问题。

说话人身份识别深度网络中的聚合模型研究

说话人身份识别是一项重要的生物识别技术,多种基于深度卷积神经网络(DNN)的模型结构表现出越来越强的特征表达能力,并形成了统一的端到端说话人识别系统,取得了优于传统识别模型的性能。其中聚合模型聚合的话语级特征是影响说话人识别系统准确率的关键因素之一。目前大多数的方法是使用self-attention pooling(SAP)聚合模型。然而SAP聚合模型经常会无法准确地进行帧选择,聚合出的话语级特征不准确、鲁棒性弱。在SAP聚合模型的聚合方式上进行了改进,通过引入平均向量方法,构建了一种改进的聚合模型mSAP。它以一种更细粒化和更稳定的工作方式,将变长的输入序列聚合为话语级特征,可以更有效地捕捉输入序列的长期变化。实验表明,mSAP模型的等错误率(EER)相较于TAP、SAP、NetVLAD聚合模型分别有7.4、1.75和0.24的下降,而DCF值相较于这三种聚合模型分别有0.018、0.137和0.242的下降。改进的mSAP聚合模型能够聚合出鲁棒性更强、更准确的话语级特征,有效地提高了端到端说话人识别模型的性能。

基于多尺度残差网络的单应估计方法

单应估计是许多计算机视觉任务中一个基础且重要的步骤。传统单应估计方法基于特征点匹配,难以在弱纹理图像中工作。深度学习已经应用于单应估计以提高其鲁棒性,但现有方法均未考虑到由于物体尺度差异导致的多尺度问题,所以精度受限。针对上述问题,提出了一种用于单应估计的多尺度残差网络。该网络能够提取图像的多尺度特征信息,并使用多尺度特征融合模块对特征进行有效融合,此外还通过估计四角点归一化偏移进一步降低了网络优化难度。实验表明,在MS-COCO数据集上,该方法平均角点误差仅为0.788个像素,达到了亚像素级的精度,并且在99%情况下能够保持较高的精度。由于综合利用了多尺度特征信息且更容易优化,该方法精度显著提高,并具有更强的鲁棒性。

基于改进型对抗网络的步态特征提取方研究

针对步态识别易受环境干扰等问题,本文以步态特征提取方法为研究重点,基于对抗学习网络框架提出了改进型姿态估计算法提取步态特征。该方法利用改进型残差网络获取由低层次到高层次的步态特征,随着网络层数的加深,对残差网络做出相应的调整,突出对局部细节特征信息的聚焦;同时设计了时序编码器,不仅提高了步态特征对于环境变化的泛化性,还减少了环境对特征提取的影响。最终在三种不同的实验模式下,基于CASIA数据集进行了大量的实验,识别精度均在83%以上,最终证明本文所提出的特征提取方法在复杂环境展现出良好的灵活性。

基于多列卷积神经网络的参数异步更新算法

针对现有人群计数算法采用同步人工优化深度学习网络,忽略了网络学习的负面信息,导致大量冗余参数甚至过拟合,进而影响到计数准确性的问题,提出基于多列卷积神经网络MCNN(Multi-column Convolution Neural Network)的参数异步更新算法。首先将单帧图像输入网络,经过三列卷积分别提取不同尺度特征,通过列之间的交互信息学习两列间特征图的关联性;接着,根据优化的交互信息及更新的损失函数异步更新每列参数直至算法收敛;最后采用动态卡尔曼滤波将每列输出密度图进行深度融合,并对融合的密度图中所有像素求和得到图像总人数。实验结果表明,所提算法在UCSD(University of California San Diego)数据集上的平均绝对误差(MAE)比该数据集上最优MAE表现的ic-CNN+McML(Iterative Crowd Counting Convolution Neural Network Multi-column Mutual Learning)减小了1.1%,均方误差(MSE)比该数据集上最优MSE表现的CP-CNN(Contextual Pyramid Convolution Neural Network)减小了4.3%;所提算法在ShanghaiTech Part_A数据集上的MAE比该数据集上最优MAE表现的ic-CNN+McML减小了1.7%,MSE比该数据集上最优MSE表现的ACSCP(Adversarial Cross-Scale Consistency Pursuit)减小了3.2%;在ShanghaiTech Part_B数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了18.3%、35.2%;在UCF_CC_50(University of Central Florida Crowd Counting)数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了1.9%、9.8%。可见,该算法能有效提高人群计数的准确性和鲁棒性,且允许输入图像具有任意大小或分辨率,能适应检测目标的大尺度变换。

基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network,TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明:该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。

新时代高校辅导员网络话语能力提升研究

网络思想政治教育阵地的建设是新时代的重中之重,中国社会对高校思想政治教学工作的关注程度日益增加,也对思想政治教学教育能力提出了更高要求。高校辅导员应当认识到自身不足,关注青年群体诉求,加强理论学习,提升网络素养,增强网络话语权,以便更加适应本(专)科生、研究生思想政治教育工作的需要,从而落实高校立德树人的根本任务。文章聚焦互联网社会的时代特征,对高校辅导员网络思想政治教育工作存在的主要问题进行了深入剖析,并在此基础上针对性地对网络思政教育的话语权提出相关优化策略,以期为全方位、多角度提升高校辅导员网络思想政治教育工作能力提供参考。

基于图池化对比学习的图分类方法

在图分类任务中,现有的利用丢弃节点的图池化算法得到的图嵌入表示没有有效地利用丢弃节点蕴含的信息和图间节点信息,同时传统方法也没有针对图嵌入进行单独学习,限制了它在图分类任务上的部分性能。为克服上述传统方法的不足,提出一种有效利用丢弃节点信息的图嵌入方法——基于图池化对比学习的图分类方法(GPCL)。首先,利用图注意力机制学习每个节点相应的注意力分数,且根据注意力分数对节点进行排序并丢弃分数较低的节点;其次,将本图保留的节点作为正样本,将其他图被丢弃的部分节点作为负样本,而将图的嵌入表达作为目标节点,两两计算相似性分数,从而进行对比学习。实验结果表明:在D&D(Dobson PD-Doig AJ)、MUTAG、PROTEINS和IMDB-B数据集上,相较于仅使用注意力机制和分层池化的方法,GPCL在图分类任务上的准确率分别提升了5.79、15.54、5.42和1.75个百分点,验证了GPCL充分提高了图间信息的利用率,在图分类任务上表现良好。

基于RSIV-RF模型的凉山州泥石流易发性评价

针对随机森林(RF)模型进行泥石流易发性评价过程中存在连续型因子依靠主观意识分级、随机选取的非泥石流样本准确度较低等问题,以位于四川西南部的凉山彝族自治州为研究区,提出基于统计学先验模型抽样的随机森林对研究区进行泥石流易发性评价分区。利用累计灾害频率等曲线的相对变化对连续型因子进行分级处理;采用粗糙集理论(RS)和信息量法(IV)计算加权信息量值,划定极低和低易发性区并从中选择负样本数据。通过袋外误差(OOB)变化曲线确定RF模型的最佳树棵数n_estimators和分裂特征数max_features,随后构建加权信息量-随机森林(RSIV-RF)模型预测凉山州泥石流易发性。进一步地,与从全区随机选择非泥石流样本的RF模型开展对比研究。结果表明,训练集和测试集下RSIV-RF模型的准确度分别为0.89,0.83,且对应的ROC曲线的AUC值分别为0.920,0.895,均高于单独的RF模型;RSIV-RF绘制的泥石流易发性评价图与历史灾害分布较为一致,较高和高易发性等级区域占研究区面积比为18.625%,包含了78.57%的泥石流点。性能评估和易发性统计结果均表明基于RSIV-RF能够解决单独模型存在的非泥石样本采样不准确的问题,其泥石流易发性预测精度更高,在凉山州地区泥石流易发性评价研究中具有较好的适应性。

基于依存图卷积的实体关系抽取模型

目前大多数端到端的关系抽取方法解决了流水线方法的误差累计问题,但是仍然存在两个问题:结构特征表示不足,缺乏句法结构等信息;句子中存在着大量实体重叠关系,未考虑这些实体重叠关系的抽取导致关系三元组召回率低的问题。针对这些问题,提出一种基于图卷积神经网络的实体关系抽取模型。使用依存句法分析对文本构图,然后通过双向GraphSage提取其结构特征,融入句法结构的特征向量在预测关系时有着更好的表现。而对于关系重叠问题,一次性将所有关系抽取较为困难,因此将该任务分为两步:第一步只抽取非重叠关系与单实体重叠关系;第二步中语言模型抽取关系触发词,并与实体词一起构建实体关系图,这一步能够提高实体对重叠关系的抽取能力。

基于改进ResU-Net的中分辨遥感影像滑坡检测方法

针对基于中分辨率遥感影像滑坡检测精度低的问题,提出了一种基于注意力机制的改进ResU-Net模型,并且基于多光谱遥感影像数据集得出了有益于滑坡检测的多特征模型输入组合。本研究所用的原始数据集共14个特征,首先剔除无效特征,并加入归一化植被指数和归一化水体指数,生成新数据集。然后将新数据集应用于改进的ResU-Net与U-Net,ResU-Net,Attention U-Net,BiSeNet,Semantic FPN,U-Net++的对比实验,结果表明改进的ResU-Net在测试集上可获得76.91%的F1分数,同时精确率和召回率分别为77.34%和76.49%,在该任务中优于其他对比模型,且比ResU-Net模型的F1分数高了0.43百分点,有效提高了中分辨率遥感影像的滑坡检测精度。最后,再向数据集中依次加入归一化湿度指数和坡向特征,对比不同特征组合数据集产生的检测效果,结果发现加入坡向特征可最大化提升滑坡检测精度,F1分数可达77.03%。

基于InSAR技术与光学影像的玉龙县地质灾害隐患判识与分析

玉龙县山高谷深,地形切割强烈,是地质灾害的易发区。为查清地质灾害隐患分布情况,本研究采用高分二号遥感数据与哨兵雷达数据,开展了光学遥感图像解译与SBAS-InSAR处理,经过综合判识,查明了该区地质灾害类型、位置、规模、威胁对象和风险程度,归纳分析了区域地质灾害遥感特征与发育规律,为单体地质灾害监测与防治提供了借鉴。

同步提取三参数小波变换及其在储层含气性检测中的应用

随着我国石油勘探程度的不断加深,非常规油气藏逐步成为了油气勘探的重点.由于致密砂岩具有低孔、低渗、非均质性强等特性,因此迫切需要高精度时频分析后处理方法对该类气藏进行有效表征.本文提出了一种同步提取三参数小波变换(Synchroextracting Three-Parameter Wavelet Transform, SETPWT)新方法,该方法具有小波变换多尺度多分辨率的特性,通过改变三个参数来调节小波基的主频、带宽及相位,灵活匹配多种类型的合成信号以及地震子波;与传统时频分析方法相比,同步提取三参数小波变换在三参数小波变换结果的基础上引入同步提取算子(Synchronous Extraction Operator, SEO),通过SEO提取与信号理想时频谱高度相关的时频信息,去除多余能量,从而实现非平稳信号的高精度时频表征.合成信号算例表明,同步提取三参数小波变换的分辨率不但明显高于常用时频变换,同时具有优于同步提取变换(Synchroextracting Transform, SET)的抗噪性能;将同步提取三参数小波变换应用到地震资料含气性检测中,进一步验证了该时频算法在致密砂岩含气性检测中的潜力.

改进YOLOv5的遥感图像目标检测算法

针对遥感图像中背景复杂度高、目标尺寸多样和小目标存在过多所导致的目标检测精度较低的问题,提出一种改进YOLOv5的遥感图像目标检测算法。该算法在主干网络引入通道-全局注意力机制(CGAM)以增强对不同尺度目标的特征提取能力和抑制冗余信息的干扰。引入密集上采样卷积(DUC)模块扩张低分辨率卷积特征图,有效增强不同卷积特征图的融合效果。将改进算法应用于公开遥感数据集RSOD中,改进YOLOv5算法平均精度AP值达到78.5%,较原算法提升了3.1个百分点。实验结果证明,改进后的算法能有效提高遥感图像目标检测精度。

基于声发射时频特征的岩石破裂前兆识别方法

为得到岩石破裂的有效前兆信息,通过时频分析方法研究了白云岩破裂的声发射波形信号。对取样于2008年汶川地震引起的东河口滑坡源区的白云岩样品开展三轴多级循环加载试验,分析其力学及声发射特性,并从声发射波形时频特征分析岩石破裂前兆信息。在声发射波形参数(主频)的基础上提出一个新的特征参数:主主频(即最大主频),对13个主主频关键点进行傅里叶变换(FT)和三维短时傅里叶变换(3D-STFT),分析其时频演化特征,以期得到岩石破裂有效的前兆信息。研究结果表明:声发射事件率、累积振铃计数和能量均反映白云岩试样受力破裂过程的动态演化规律;白云岩试样的主频呈带状演化,破裂前兆表现为高频区间向低频、中频区间转移,累积主频曲线的斜率在891 s处达到峰值,可作为岩样破裂的前兆信息之一;在6次循环加、卸载中,主主频呈现高频率值与低频率值交替出现的规律,将主主频突降的第11个点(784 s)作为预警前兆之一,相比主频预警点(891 s)提前了107 s。对比分析可知主主频能获取更为细节的岩石破裂前兆信息,从而为岩石破裂预警提供科学依据和理论基础。

改进的YOLOv5-ResNet相似目标检测方法

针对在相似目标检测问题中,以YOLOv5为代表的一步法漏检错检率高、以Faster R-CNN为代表的两步法检测速度慢的问题,提出了一种改进的YOLOv5-ResNet相似目标检测网络模型。该模型以YOLOv5框架为基础,借鉴了两步法的优点。在边框生成方面,改进了特征融合结构,强化了模型的特征提取能力,降低了总体漏检、误检率。在类别预测方面,引入SE(squeeze and excitation)模块,在通道方向上施加注意力机制,降低网络检测时的计算量,并保持了较高的准确率。在斯坦福宠物狗数据集和自制音符卡片数据集上的实验结果表明,本文提出的相似目标快速检测模型不仅在识别精度方面略高于Faster R-CNN,而在速度方面仅次于YOLOv5,检测帧率约为YOLOv5的72%,能够满足相似目标检测的实时需要。

基于组合特征选择的随机森林信用评估

构建个人信用风险评估模型的过程中,特征工程很大程度上决定了评估器的性能,传统的特征选择方法无法全面的考虑高维度指标对评估结果的影响,且大多数研究在构建模型的过程中人为决定特征集大小,导致随机性强、可信度低;基于此,提出基于传统风控指标优化XGBoost的随机森林模型(IV-XGBoostRF),将传统风控指标IV与XGBoost相结合对原始特征集进行筛选,建立较为完善的信用评估模型.通过对比实验的结果显示改进后的随机森林模型准确度提高了0.90%,且其他各项评估指标均优于传统信用评估模型,证明了该组合特征选择方法的可行性,有一定的应用价值.

基于半监督学习的单幅图像去雨算法

在雨天采集的图像通常存在背景物体被雨纹遮挡、图像变形等影响图像质量的现象,对后续图像分析及应用造成严重影响。近年来,已经提出了许多基于深度学习的去雨算法并获得了较好的效果。由于真实雨图的无雨纹干净背景图采集非常困难,大多数算法都采用监督学习即在含有配对标签的合成雨图数据集上进行模型训练。由于合成雨图和真实雨图中雨纹的亮度、透明度、形状等存在巨大差异,基于监督学习的去雨算法对真实雨图的泛化能力普遍较差。为提高去雨模型对真实雨图的去雨效果,提出了一种基于半监督学习的单幅图像去雨算法。该算法在模型训练过程中加入合成雨图和真实雨图并最小化两个输入图像转换成的特征向量的一阶信息和二阶统计信息差异,使两者特征分布一致。同时,针对雨纹复杂多样的特点,引入多尺度网络以获取更丰富的图像特征,并提高模型性能。实验结果表明,所提算法在Rain100H合成雨图测试集上相较JDNet、Syn2Real等算法在峰值信噪比(PSNR)和结构相似度(SSIM)上分别至少提升了0.66 dB、0.01,在去除雨纹的同时能最大限度保留图像细节和颜色信息;并且由于减少了分布差异,该算法在真实雨图测试集上的去雨效果明显优于现有的JDNet、Syn2Real等去雨算法,具有较强的泛化能力。所提算法可以应用于现有的基于监督学习的去雨算法并显著提高其去雨效果,拥有较高的独立性。

改进Res2Net的多尺度端到端说话人识别系统

说话人识别系统中轻量卷积神经网络的特征提取能力弱、识别效果差。而为了提升特征提取能力,许多方法使用了更深、更宽、更复杂的网络结构,使得参数量和推理时间成倍增加。将目标检测任务中的轻量网络Res2Net引入到说话人识别任务中,验证了它在说话人识别任务中的有效性和鲁棒性。并改进提出了FullRes2Net,它拥有更多、更大的感受野组合。在几乎没有增加参数量的情况下,相比于Res2Net,性能提升了17%。同时,为了解决现有注意力方法存在的问题改善卷积本身的缺点,进一步提升卷积神经网络的特征提取能力,提出了混合时频通道注意力。它可以对音频特征的时间、频率、通道维度进行交互,捕捉特征间的依赖,从而有效增强卷积神经网络的特征提取能力。在Voxceleb数据集上进行了实验,结果表明提出的方法有效地提升了系统的特征提取能力和泛化能力,相较于Res2Net性能提升了34%,并优于使用复杂结构的先进说话人识别系统,是一种参数量更少、效率更高的端到端结构,适合在现实场景中的应用。

基于改进YOLOX的落石检测方法

山坡地区是落石频发的区域,凭人力难以及时发现灾害的发生;为及时检测到落石的发生并做出应对措施,提出一种基于改进YOLOX的落石检测方法,自动检测并报告落石的发生情况;通过自制落石数据集训练YOLOX网络,优化空间金字塔池化结构,获取更多语义信息,并引入ECA-Net(Efficient Channel Attention Module,高效通道注意力模块),提高特征的提取能力和特征间的信息传播,同时改进损失函数并使用数据增强,提高网络训练效果;实验结果表明,改进YOLOX算法的mAP@0.5为92.50%,每秒检测帧数为62.6,相较于YOLOX算法,mAP@0.5提高3.45%,每秒检测帧数上涨0.3;与原算法相比,在不损失性能的情况下,精度有较大的提升,同时满足图片与视频数据的实时检测要求。