“一体两翼双驱动”创新创业实践育人模式的探析与实践——以陕西科技大学电子信息与人工智能学院为例

本文通过对当前高校大学生创新创业育人模式中存在问题的剖析,构建“一体两翼双驱动”创新创业实践育人模式,以陕西科技大学电子信息与人工智能学院为例,从优化资源载体、强化师资匹配、深化育人实效着力,通过企业-高校“一个共同体”联动机制、产学研“点智两翼载体”互促机制、本硕贯通“双驱动”协同机制,充分发挥第二课堂的创新创业实践育人作用,探索大学生创新创业实践育人的新模式。

工程教育专业认证背景下光电信息科学与工程专业课程体系重构探究--以陕西科技大学为例

文章以陕西科技大学为例,首先说明了工程教育专业认证背景下光电信息科学与工程专业课程体系重构的原则,然后从企业需求分析、总体思路、具体方案三个方面对工程教育专业认证背景下光电信息科学与工程专业课程体系重构进行了探究。

“金课”建设背景下“计算思维与人工智能基础”课程教学改革与实践

针对大学计算机基础课程教学面临的挑战,以大学第一门计算机课程“计算思维与人工智能基础”为例,按照“两性一度”标准,落实工程教育专业认证理念,从教学内容、教学模式、考核评价等3个方面进行课程改革。通过重构兼具广度与深度的教学内容,实施学生中心的混合教学模式,强化全程多元的过程化考核,促进计算思维落地。通过调查结果说明改革的成效和不足,并给出课程持续改进的建议。

电子信息类专业综合实践课程改革与探索

针对电子信息类专业综合实践课程在新工科背景下的现状和问题,介绍了基于OBE理念的课程开发思路,阐述了课程内容开发、师资队伍和平台建设情况,建立了课程考核、评价与持续改进体系,成果在学生中实施后效果良好,具有较大的推广价值。

高校电子信息类专业《创新创业训练》课程开发和实践

本文针对电子信息类专业《创新创业训练》课程的现状和问题,介绍了该课程的开发思路,并对课程内容开发、师资队伍和平台建设以及建立课程考核、评价与持续改进体系等方面情况做了详细说明。最后,通报了课程实施取得的效果:学生参加学科竞赛、获奖人数稳步上升;学生就业率和就业质量明显提高;教师教学成果奖数量多;专业通过了国家工程教育认证。

基于语义信息的无监督单目深度估计

随着深度学习的发展,无监督单目深度估计成为计算机视觉的研究热点。由于深度图存在轮廓不清晰、深度估计不准确等问题,以编—解码器结构为基础,提出一种基于语义信息的无监督单目深度估计网络,为了获取更为清晰的轮廓信息,本文在编解码器之间通过空洞空间卷积池化金字塔(ASPP)层进行语义信息的细化,提高生成的图像质量;该网络通过在编码器到解码器的跳层连接实现对多分辨率特征的提取,在编码器部分采用改进的高分辨率网络(HRNet)融合不同层的多分辨率特征,在解码前使用串联策略融合中间阶段的输出,提高深度估计的准确率。在KITTI数据集上的实验结果表明,本文方法的误差评价指标相较于目前的深度估计方法更低,在3个深度估计准确率评价指标上达到了89.4%,96.3%,98.1%,具有较好的准确性。

基于互信息-主成分分析-贝叶斯网络的化工过程故障诊断方法

为了解决复杂工业过程中存在变量众多、特征提取困难等问题,提出一种基于互信息(mutual information, MI)、主成分分析(principal component analysis, PCA)和贝叶斯网络(Bayesian network, BN)相结合的诊断方法。利用互信息与PCA在故障特征信息提取的优势,并结合BN在建模中强大的学习能力,建立互信息-主成分分析-贝叶斯网络(mutual information-PCA-Bayesian network, MPBN)故障诊断模型,最后根据联合树推理算法完成推理实验,并在田纳西-伊斯曼(Tennessee Eastman, TE)过程进行仿真验证。实验结果表明,该方法有效提高了化工过程诊断的准确效率和稳定性,尤其可在传感器存在证据缺失等不确定性环境因素情况下,依然具有一定的故障诊断效果。

融合结构信息的深度学习立体匹配算法

针对现有立体匹配算法在边缘区域及视差不连续区域匹配精度的不足,提出了一种融合结构信息的深度学习立体匹配算法。通过简化特征提取网络,并使用Inplace-ABN层替换BatchNorm层和激活函数层,提高卷积提取图像特征的效率;利用结合注意力机制的局部相似性模块提取图像结构特征,与卷积提取到的特征进行融合,丰富图像特征信息;计算输出特征对的相关代价和连接代价,利用相关代价卷积生成注意力权重,滤除连接代价的冗余信息,提升匹配代价计算的精确性;使用简化的沙漏网络,提升网络代价聚合的快速性。算法通过Scene Flow数据集、CREStereo数据集和KITTI数据集进行实验,实验结果表明算法的全部区域端点误差为0.45 px,对第一帧图像全部区域预测错误的比例为1.55%,预测误差大于1 px的像素比例仅有6.87%,证明所提算法相比其他算法在匹配精度上表现优秀,同时验证了算法在问题区域匹配的有效性及优势。

基于时空上下文信息的仔猪吮乳行为识别算法研究

为了准确识别特征不明显且扎推聚群现象严重的仔猪吮乳行为,试验建立了一种基于时空上下文信息的仔猪吮乳行为识别算法,即先利用关键点检测技术定位侧卧母猪的哺乳区域,然后在哺乳区域中利用基于空间上下文信息模块的主干网络提取仔猪吮乳状态下的空间上下文信息,包括仔猪与母猪的相对位置和距离信息及仔猪嘴部与母猪乳房连接处的轮廓形状特征;为捕捉仔猪吮乳行为的运动特征,在主干网络的最后一层引入时间上下文信息模块,提取相邻帧间仔猪吮乳行为的时序特征;最后将特征输入到长短期记忆(long short term memory,LSTM)网络进行仔猪吮乳行为的预测与识别;以精确率、召回率和平均精度作为评价指标,将基于时空上下文信息的仔猪吮乳行为识别方法与Darknet53算法、原始YOLOv5主干网络+LSTM算法进行性能比较。结果表明:基于时空上下文信息的仔猪吮乳行为识别算法对仔猪哺乳行为识别的精确率、召回率和平均精准率分别96.9%、96.1%和96.3%,较Darknet53算法分别提高了14.7%、14.5%和14.4%,较原始YOLOv5主干网络+LSTM算法分别提高了12.5%、11.0%和11.3%。说明基于时空上下文信息的仔猪吮乳行为识别算法对仔猪吮乳行为有较好的识别效果。

碳化温度对植物生物质制备电子材料的影响及其影响机理

我国拥有丰富的植物生物质资源,但并未得到充分利用。植物生物质的碳化产物在电子材料方面具有应用潜力,是实现植物生物质资源充分和有效利用的潜在方法。基于此,文中总结和分析碳化温度对植物生物质碳化产物的微观结构和化学组成的影响,并进一步阐述微观结构和化学组成的变化对植物生物质材料高温碳化制备不同电子材料的影响及影响机理。研究得出:随着碳化温度的升高,碳化产物的比表面积会先增大后减小,比表面积的变化影响产物内部的反应位点数,进而影响其作为电极材料时的比容量、倍率性能以及循环稳定性;且随着温度的升高,产物内的杂质元素以及化学基团明显减少或消失,结构堆积得更紧密且结晶度提高,会出现更大尺寸的石墨微晶,这有利于提升其作为导电材料时的导电性能。

高频信息对齐的多尺度融合去雾网络

目前,在去雾领域鲜有将先验信息引入到以数据驱动的深度学习方法中的工作,且大多数基于深度学习的去雾网络通常对计算机内存和算力有较高要求。为解决上述问题,本文提出一个高频信息对齐的多尺度融合去雾网络(HFMS-Net)。网络框架采用循环模式:对于生成器,通过在轻量卷积神经网络的不同深度引入残差连接,以充分利用网络的中间层特征,实现多尺度特征融合;对于判别器,网络需对其输入进行纹理信息提取,逼近去雾图像和有雾图像之间的高频信息,使基于数据驱动的网络更具物理解释性。与PFDN相比,HFMS-Net在相同设置下以约1/5的内存占用取得了更优越的性能,PSNR和SSIM分别提升了0.71、0.016。通过大量的对比实验和消融实验证明本网络的去雾性能与现有算法相比有一定的提升,对纹理信息具有更高的保真度。

基于UNet3+生成对抗网络的视频异常检测

为解决传统视频异常检测方法在不同场景下多尺度特征提取不完全的问题,提出两种方法:一种是用于简单场景的基于UNet3+的生成对抗网络方法(简称U3P^(2)),另一种是用于复杂场景的基于UNet++的生成对抗网络方法(简称UP^(3))。两种方法分别对连续输入的视频帧生成预测,引入多种损失函数和光流模型学习其外观与运动信息,通过计算AUC进行性能评估。U3P^(2)方法以6.3 M参数量在Ped2数据集的AUC提升约0.6%,而UP^(3)方法在Avenue数据集的AUC提升约0.8%,验证其能够有效应对不同场景下的异常检测任务。

基于关键区域遮挡与重建的人脸表情识别

为了解决自然场景下人脸表情识别任务中的无用信息干扰和遮挡对识别性能的影响问题,提出一种基于关键区域遮挡与重建的人脸表情识别模型。利用多尺度特征提取网络,提取人脸图像的全局特征。根据68个人脸关键点划分出68个关键区域,并通过插值法提取68个关键区域的特征,同时采用注意力机制学习关键区域特征之间的先验关系。设计自监督的遮挡与重建模块,对关键区域特征进行随机遮挡,并利用已知区域信息来预测和重建被遮挡区域的特征,从而提高模型在自然场景下的表情识别性能。设计多个实验验证了该模型的泛化能力,并通过消融实验验证了模型中每个模块的有效性。实验结果表明,该模型在真实世界的情感面孔数据集(RAF-DB)和Occlusion-RAF-DB数据集上分别达到了88.44%和86.09%的识别准确率,相比于视觉Transformer(Vi T)等模型有效地提升了自然场景下人脸表情识别的性能。

基于新混合乌鸦搜索算法的置换流水车间调度

为了更加有效地求解以最大完工时间最小化为目标的置换流水车间调度问题,提出一种新混合乌鸦搜索算法(NHCSA)。首先,对一种基于NEH的启发式算法进行了改进,在此基础上提出新的方法以改善初始种群的质量和多样性;其次,采用SPV(Smallest-Position-Value)规则进行编码,使算法能够处理离散的调度问题;最后,针对迭代贪婪算法,提出了自动调整重插入工件范围的方法、引入了TB机制,并采用改进的迭代贪婪算法对最佳工件排序进行局部搜索,以提升算法收敛的精度。基于典型测试集进行了仿真测试,结果验证了所提算法的寻优能力和稳定性。尤其是在针对Rec19和Rec25算例的比较中,仅NHCSA取得了当前最优解,进一步证明了其优越性。

基于深度学习的指纹室内定位对抗样本攻击研究

基于深度学习的指纹室内定位系统因其能够有效抽取接收信号强度(RSS)指纹数据的深层特征而大幅提高了室内定位性能,但该类方法需要大量多样化的RSS指纹数据训练模型,并且目前对其安全漏洞也缺乏充分的研究,这些安全漏洞源于无线Wi-Fi媒体的开放性和分类器的固有缺陷(如易遭受对抗性攻击等)。为此,对基于深度学习的RSS指纹室内定位系统的对抗性攻击进行研究,提出一种基于Wi-Fi指纹室内定位的对抗样本攻击框架,并利用该框架研究对抗攻击对基于深度学习的RSS指纹室内定位模型性能的影响。该框架包含离线训练和在线定位两个阶段。在离线训练阶段,设计适用于增广Wi-Fi RSS指纹数据的条件生成对抗网络(CGAN)来生成大量多样化的RSS指纹数据训练高鲁棒的室内定位深度学习模型;在线定位阶段,构造最强的一阶攻击策略来生成针对Wi-Fi RSS指纹室内定位系统的有效RSS对抗样本,研究对抗攻击对不同室内定位深度学习模型性能的影响。实验结果显示:在公开UJIIndoorLoc数据集上,由所提框架生成的RSS指纹对抗样本对卷积神经网络(CNN)、深度神经网络(DNN)、多层感知机(MLP)、pixeldp_CNN指纹室内定位模型的攻击成功率分别达到94.1%、63.75%、43.45%、72.5%;对由CGAN增广数据训练的上述4种指纹室内定位模型的攻击成功率分别达到84.95%、44.8%、15.7%、11.5%。由此表明,现有的基于深度学习的指纹室内定位模型易遭受对抗样本攻击的影响,由真实数据和增广数据混合训练的室内定位模型在面临对抗样本攻击时具有更好的鲁棒性。

基于深度学习的雾霾天气下的车牌号码识别方法

针对雾霾天气下车牌识别存在的精确度低、漏检等问题,提出了一种基于深度学习的雾霾天气下的车牌号码识别方法。首先用AOD-Net算法对车辆图像进行去雾预处理。然后,基于YOLOv5网络设计一种车牌检测网络ACG_YOLOv5s。ACG_YOLOv5s是在YOLOv5s网络的基础上,融入CBAM注意力机制,提高模型的抗干扰能力;引入自适应特征融合网络ASFF,根据模型自适应学习到的权重赋予网络不同特征层不同比重的权值,从而突出重要特征信息;使用Ghost卷积模块替换传统卷积,在保证模型效果的同时减少了网络训练过程中的参数量。最后通过LPRNet对检测到的车牌图像进行识别。实验结果表明,改进后的ACG_YOLOv5s网络车牌检测准确率达到99.6%,LPRNet识别准确率达96%且内存占比小。实验证明AOD-Net算法和YOLO算法结合可更加有效地检测雾霾天气下车牌图像中的车牌号码。

基于细粒化特征感知的水下目标检测算法

针对水下光学图像细节模糊以及水下生物遮挡导致目标检测精度低的问题,提出一种基于细粒化特征感知的水下目标检测算法.该算法基于YOLO(You Only Look Once)v7网络结构,首先,提出ELSA(ELAN-SimAM)模块,提升主干网络对水下图像模糊细节的特征感知;其次,提出多梯度聚合结构(Multi-gradient Aggregation Structure),实现特征信息多梯度高效融合,并在颈部网络中嵌入轻量化的三重注意力机制(Triplet Attention),使特征信息跨维度交互融合,减少由水下生物遮挡导致的漏检问题.实验结果表明,所提出的算法适用于水下复杂环境下的目标检测,可以在较短时间内实现目标定位与检测,且检测精度较高.

基于多尺度特征融合的轻量化人脸图像修复算法

针对当前遮挡的人脸图像修复中修复图像质量差和模型参数量大的问题,提出了一种基于多尺度特征融合的改进U-Net的轻量化人脸图像修复模型——LM-UNET。首先,使用深度可分离卷积替换原有卷积,增强模型对不同通道和上下文信息的特征表达能力,实现模型轻量化;其次,在跳跃连接中设计了多尺度特征注意力融合模块,充分融合不同尺度特征的信息,内嵌残差块减少特征间语义差距,提高模型修复准确率;最后,引入了位置注意力模块,增强人脸图像的显著信息,提升模型对人脸位置像素信息的有效提取能力。在基于CK+数据集生成的遮挡人脸数据集MFD上对该算法进行训练、验证和测试,修复后的图像的峰值信噪比(PSNR)达到30.49dB,结构相似性(SSIM)达到96.85%,与其他模型的对比实验结果表明,该模型对存在遮挡的人脸修复图像质量和视觉效果更好。

基于边缘引导和动态可变形Transformer的遥感图像变化检测

卷积神经网络(Convolutional Neural Network,CNN)和Transformer的混合架构能够有效建模图像的局部与全局特征,已成为遥感图像变化检测任务的主流网络.然而这类网络仍面临着一些挑战. CNN分支中的卷积和池化运算通常会抑制遥感图像中的高频信息,降低目标边界的精度;此外,Transformer分支对图像像素进行等同长程依赖关系建模,忽略了变化目标的形状及语义关联信息,导致网络对变化目标特征的表达不足.为解决上述问题,提出了基于边缘引导和动态可变形Transformer的遥感图像变化检测网络.在CNN分支中设计了边缘信息引导模块,利用高频信息增强目标区域的边缘信息,从而改善变化目标的轮廓精度.同时设计了一种新颖的动态可变形Transformer,能够自适应地匹配形状不同的变化目标,选择与变化相关的特征建模长程依赖关系,以提高网络的特征表达能力.实验结果表明,提出的方法在三个公开数据集LEVIR-CD、CDD和DSIFN-CD上显著提高了检测精度,在变化目标的边界精度和内部完整性方面都明显优于当前的主流网络.

基于天空区域分割的快速去雾算法研究

针对传统暗通道先验去雾算法在处理户外含雾图像时,出现天空区域颜色失真和处理速度慢的问题,提出一种可自适应识别天空区域的快速去雾算法。在天空分割方面,选用图像中细节特点明显的亮度分量为研究对象,结合最大类间方差法(OTSU)和动态参数建立自适应识别天空区域算法模型,得到最佳分割阈值,分割出有雾图像的天空区域和非天空区域,并根据天空区域计算出大气光值。在提高处理速度方面,在使用引导滤波优化透射率过程中引入图像下采样算法,保证复原后图像质量的同时减少算法耗时。最后经过与多种经典算法对比,文中算法在视觉效果上细节更加自然,SSIM、PSNR和MSE的综合指标均超过其他算法,并且处理速度较快。主观和客观评价结果均表明,文中算法在视觉效果和时间效率方面都优于其他几种算法,具有一定的实用价值。