地下储气库成本动因及弹性管控分析

论文根据储气库业务的特点,分析了传统成本管理模式的局限,并提出转向战略成本管理模式的重要性,通过对生产过程中相对固定支出、与经营量直接相关变动支出、与经营量不直接相关的变动支出进行深入分析,从而可以更准确地了解成本构成和变化规律,建立弹性管控机制,进而采取有效措施进行成本优化。论文提出了弹性优化的主要措施,包括制定科学计划优化固定成本、源头把控优化动力材料成本、持续优化变动经营成本以及严格考核落地。最后,论文强调了开展企业战略成本管控的重要性,并提出了一系列深入分析和弹性管控措施,以助力企业实现高质量发展。

基于YOLO-MCA的X光图像检测算法

YOLO算法直接用于X光图像检测时存在提取特征不明显问题,特别是违禁物与安全物存在折叠交叉时,容易导致漏检、多检现象。为此本文提出一种YOLO-MCA算法,该算法在YOLOv5基础上,增加了一个多卷积融合坐标注意力机制分支模块,该模块通过多支路连通的方式增大感受野,注重位置信息提取,增强提取有效特征能力,可改善物体折叠交叉导致的漏检、多检问题。在PIDray_OD数据集上的实验结果表明,所提出的YOLO-MCA算法的mAP@0.5∶0.95达到72.9%,比原模型算法的精度更高;FPS达到87,满足实时检测需求。

基于融合CNN和Transformer的图像分类模型

在传统的卷积神经网络(CNN)中,卷积算子擅长提取局部特征,但难以捕获全局表示;而由级联自注意力机制构成的视觉Transformer模型可以捕获特征的长距离表示,但同时会忽略局部特征细节。为此,提出了一种基于融合CNN和视觉Transformer的图像分类模型。该模型主要由CNN分支和级联自注意力模块Transformer分支构成,通过CNN分支中每个卷积层提取到的局部特征输入到Transformer分支中,以弥补Transformer分支缺失的局部特征,使模型同时融合局部特征细节和全局表示,提高图像分类的准确率。在Oxford Flowers-102和Caltech-101数据集上实验结果表明,与传统的卷积神经网络以及视觉Transformer相比,提出的基于融合CNN和Transformer的图像分类模型分类准确率更高。