基于判别性特征增强的小样本细粒度图像识别

小样本细粒度图像识别是深度学习领域中一个热门的研究课题,其基本任务是在学习有限数量样本的情况下识别出某一大类下的子类别的图像。得益于卷积神经网络的快速发展,小样本细粒度图像识别在精度方面取得了显著的成果,但其性能仍受限于同一子类图像间的高方差以及不同分类任务中判别性特征的差异性。针对上述问题,提出了一种基于判别性特征增强的小样本细粒度图像识别算法(DFENet)。DFENet设计了对称注意力模块来增强类内视觉一致性学习,从而减少背景的影响,提高同类样本之间共享的特征表示的权重。此外,DFENet引入通道维度的判别性特征增强模块,利用支持集样本中同类样本内和不同类样本之间的通道关系进一步挖掘适合于当前任务的判别性特征,以提高识别准确率。在三个经典的细粒度数据集CUB-200-2011,Stanford Dogs,Stanford Cars上进行了广泛的实验。实验结果表明,该方法均取得了有竞争性的结果。

基于深度学习的显著性目标检测综述

显著性目标检测通过模仿人的视觉感知系统,寻找最吸引视觉注意的目标,已被广泛应用于图像理解、语义分割、目标跟踪等计算机视觉任务中。随着深度学习技术的快速发展,显著性目标检测研究取得了巨大突破。本文总结了近5年相关工作,全面回顾了3类不同模态的显著性目标检测任务,包括基于RGB图像、基于RGB-D/T(Depth/Thermal)图像以及基于光场图像的显著性目标检测。首先分析了3类研究分支的任务特点,并概述了研究难点;然后就各分支的研究技术路线和优缺点进行阐述和分析,并简单介绍了3类研究分支常用的数据集和主流的评价指标。最后,对基于深度学习的显著性目标检测领域未来研究方向进行了探讨。

技术进步对关键矿产供应影响的实证研究——以镍为例

技术进步是影响关键矿产可持续供应的重要因素,但许多学者忽略了不同类别技术进步的作用与技术进步的扩散效应.该文以战略性关键矿产——镍为研究对象,结合ARIMAX模型,研究了三种技术进步与经济、地质、需求等因素对于关键矿产供应的影响.实证结果表明:1)三种技术进步专利均会对关键矿产供应产生显著影响,其中,成本降低型专利的影响最大,效率提升型专利影响次之,安全提高型专利影响最小.2)技术进步、价格与经济发展对矿产供应的影响均有扩散效应,储量与需求对矿产供应的影响没有扩散效应.3)往年的矿石产量也是影响矿产供应的关键因素之一.根据上述实证结果,该文对中国未来矿产资源产业与矿产开发提出了针对性的政策建议.

两亲SiO_(2)纳米颗粒的制备和界面扩张流变行为研究

制备了一种两亲SiO_(2)纳米颗粒,借助红外光谱及接触角测量证实了相关基团在SiO_(2)纳米颗粒表面的成功接枝,探究了其界面活性和界面扩张流变行为。通过动态界面张力测量及小幅正弦振荡实验发现,两亲SiO_(2)纳米颗粒相比亲水和疏水SiO_(2)纳米颗粒能够更稳定地吸附在界面形成一层吸附膜,降低界面张力,同时由于其扩散交换速度较慢,界面扩张模量大于亲水和疏水SiO_(2)纳米颗粒。进一步的大幅线性压缩实验发现两亲SiO_(2)纳米颗粒在表面比为0.35时其界面吸附量会发生激增,扩张模量迅速增大,其形成的界面膜具有抵抗较大程度形变的能力。

青年亚文化如何在跨文化传播中“破壁”——基于“Z世代”眼中的“科目三”专题调查

青年亚文化是当代青年在全球化与本土化交融语境中创造的当代文化形态,表现为非主流而又具有极高的大众流行度和跨文化传播力。以“科目三”现象为代表,开放度高、可实践性强等特点使其在跨文化传播中的特殊价值凸显,也促进了社会对青年亚文化正向价值的认知。鼓励与引导并举,可将青年亚文化转化为“中国式流行文化”,将“Z世代”的“网生”优势转化为跨文化传播的“破壁”能力。

基于秘密共享的二维码单向传输系统

随着互联网的迅猛发展,人们使用电子方式来存储、传输重要信息的做法越来越普遍,有效提高了工作效率。涉密单位内部网络中需要共享不同密级的信息和数据,为了抵御低密级部门的恶意攻击风险,可以采用强制访问控制或单向传输,确保高密级信息的安全性,同时满足信息共享需求。秘密共享是一种将秘密信息分割成多个部分,并将这些部分分发给不同参与者的机制,只有当足够数量的参与者合作时,才能恢复出完整的秘密信息。这种机制可以有效管理秘密信息,提高信息的安全性和完整性,防止权力被滥用。将Shamir秘密共享算法结合二维码单向传输进行系统设计与实现,二维码编码过程增加了对数据的加密功能,发送端与接收端之间相互没有影响、数据没有交互,实现了强物理隔离,提升了涉密网络内部高密级部门向低密级部门分享信息的安全性,系统可对中英文文本、图片形式的秘密进行共享,同时添加声波信道反馈机制提升了系统可靠性和实用性。

桑黄猴菇复方饮料的制备工艺研究

目的以桑黄、猴头菇这两种食药用菌为主要原料,再加以陈皮、生姜共同制备一款保健饮料。方法通过热水浸提法得到食用菌粗多糖,并配以不同的食品添加剂加工而成,本实验采用热水浸提法,以加水量(药材质量的倍数)、提取时间和提取次数为考察因素,先进行单因素实验确定合理范围,后采用L_(9)(3^(4))正交实验法,以感官评分为考察指标,优化桑黄饮料的制备工艺;测定最佳工艺得到的浸提液中总多糖和总三萜的含量及其抗氧化能力;并对饮料的品质指标进行评价。结果正交试验得出按加水量40倍,提取时间20min,提取1次获得浸提液,再添加7%果葡糖浆和0.03%柠檬酸调味,制成的饮料口感舒适,风味最佳;采用最佳工艺制备的浸提液总多糖含量达到12.29mg/100mL,总三萜含量达到1.82mg/100mL;浸提液对DPPH、·OH、O2-都具有较好的清除作用。结论此工艺操作简单,制备的桑黄保健饮料色泽鲜亮,澄清透明,分布均匀,酸甜适中,口感协调,适合饮用,并具有明显的免疫调节、抗氧化等作用。

基于改进YOLOv8s的密集多人脸检测

针对密集场景中多人脸检测存在的漏检率高、检测精度低的问题,提出一种改进的YOLOv8s人脸检测算法。在YOLOv8的骨干网络添加SimAM注意力机制,提高检测模型对于图像内小目标的特征提取能力。将原激活函数SiLU替换为FReLU函数,扩大特征点提取范围,提高小目标检测准确度。引入新的损失函数Wise-IoUv1,解决部分小目标在截取过程中可能出现的低质量问题,进一步提升检测精度。实验结果表明,改进后的算法在自建密集场景人脸数据集上,准确度提升到99.26%,在回归率持平的基础上计算参数无明显上涨,实测漏检率降低26%,有效提升了人脸检测能力。

早期预警评分为基础的分级护理在消化道出血中的应用

目的:探究消化道出血患者采用以早期预警评分为基础的分级护理产生的效果。方法:选择本院92例消化道出血患者的病历作为研究样本,进行回顾性分析,按照常规护理以及早期预警评分为基础的分级护理方法分为参照组和观察组各46例,比较两组患者干预前后心理状态,干预后住院时间、再出血次数、出血量、护理依从性及护理满意度。结果:干预后两组患者SDS、SAS评分均降低,且观察组降低幅度更明显(P<0.05);观察组患者住院时间、再次出血次数、出血量均少于对照组(P<0.05);观察组护理依从率、各项护理满意度评分显著高于对照组(P<0.05)。结论:以早期预警评分为基础的分级护理能有效缩短患者住院时间,改善患者出血的症状,避免患者产生负面情绪,有助于提高患者的依从性和护理满意度,值得推广使用。

持续打造正能量大流量新闻作品——以海报新闻为例

全媒体时代如何提升正能量作品的有效传播,成为主流媒体面临的紧迫课题。本文以海报新闻为例,从正能量大流量作品的制作和传播以及全媒体采编激励制度等方面,深入探讨打造正能量大流量作品的路径。

《房地产经济学》课程思政探索

为充分挖掘高等学校工程管理专业选修课程《房地产经济学》中的课程思政元素,使传统课堂巧妙融入思政元素,进而发挥其育人育德作用,本文从《房地产经济学》课程特点、教学内容和课程思政目标入手,并结合该课程知识体系,以中国特色社会主义信念教育、坚持党的领导和“两个维护”教育、“四个意识”教育、爱国主义教育方面为切入点挖掘思政元素,最后提出了针对性的为专业课程思政教育的实施方案。

研究生专业学位课程思政元素挖掘及教学探索——以《管理研究方法》课程为例

新时代背景下,为有效提升思想政治理论教育实效性和说服力,高校旨在以专业教育课程知识为载体开展思政教学活动。本文以某校研究生专业学位课程《管理研究方法》为例,通过对其课程特点的研究分析、课程思政元素的设计挖掘,提出针对该课程进行课程思政的具体实施方法,为推动研究生专业课程思政教育建设提供了宝贵的实践经验及参考价值。

马锡五审判方式的精髓及其现代启示——以互联网为视角的分析

当前,智慧司法的创新与完善已经成为司法新业态,以云计算、大数据、人工智能等现代技术为核心的智慧法院建设如火如荼。然而,数字化背景下带来的技术风险焦虑和技术风险冲击也给司法实践带来了诸多挑战。马锡五审判方式是陕甘宁边区时期新民主主义司法制度改革的产物,在新时代继承和发展马锡五审判方式,挖掘其优良司法的精髓,并与数字司法相结合,创建“互联网+马锡五审判方式”的新机制,赋予马锡五审判方式以时代生命力。

基于主动学习的实体关系抽取的方法研究

关系分类是NLP中提取实体间关系的一项重要任务。介绍一种用于大规模的中文信息抽取数据集的方法,该方法将BERT合并到一个新的框架,并将主动学习应用于联合实体关系抽取中。这种模型从四个方面完善了现有的方法。第一,可以解决多个实体属于多个三元组的问题。基于概率图的思想设计了该框架,并研究出一种新的“头尾”标记方法;第二,提出了一种将主动学习应用于关系抽取问题的创新方法;第三,为了在主、谓、宾三种实体之间传输信息,提出了一种新的规范化方法,称为条件层规范化;第四,设计了一个新的损失函数,以避免类不平衡。实验证明,增强了模型的信息提取能力,在单个模型的测试集上的F1⁃score达到0.840,在用完整数据训练的情况下与原始深度模型相比,用更少的数据取得了更好的性能。

障碍物排列方式对非均匀氢-空气混合物爆炸特性的影响

通过数值模拟研究了不同障碍物排列方式对非均匀氢-空气混合物爆炸火焰动力学的影响,模拟预测的爆炸特性参数均与实验结果吻合良好。模拟结果表明,预混火焰在管内经历了球形火焰、指形火焰、锥形火焰和絮状火焰4个阶段的演化过程。火焰经过障碍物时流场严重不稳定,导致火焰发生严重畸变。当障碍物两侧布置时,火焰最先到达管道出口,压力最快达到峰值。管道顶部障碍物能显著提高爆炸压力,与底部布置相比,障碍物在管道两侧布置和顶部布置时爆炸峰值压力分别增加了23%和74%。该研究可为氢安全规划和防爆提供理论指导。

光催化单糖转化为高值化学品的研究进展

化石燃料的枯竭要求寻找可替代的可再生原料和利用对环境无害的方法来生产高附加值的化合物和燃料。在此背景下,生物质的高效利用已成为一个重要的研究领域,因为它产量大,来源广泛,代表了一种可替代的绿色可再生碳源。目前已经探索了多种转化技术,其中多相光催化具有反应条件温和、催化剂与产物易分离、绿色无害等优点,逐渐受到研究人员关注。利用不同的生物质组分作为原料,调整光催化剂的类型、溶剂和催化剂的物理化学特性等实验条件,获得了有价值的不同选择性的化学物质。本文主要论述了金属化合物和碳氮聚合物催化剂对单糖的光催化转化活性。本文还梳理了光催化葡萄糖和果糖生成5-羟甲基糠醛(HMF),以及进一步光催化氧化HMF的反应机理,整理了近年来光催化单糖转化为高值化学品反应的研究进展,同时对最新的一锅法转化单糖和HMF为高值化学品反应进行了展望。

长江经济带大气污染非对称性研究

大气污染的空间外溢性导致了非对称性的特征。大气污染非对称性的研究不仅能够深入认识大气污染的时空演变特征,而且为大气污染区域协同治理提供重要支撑和参考。本文首先将大气污染定义为雾霾污染和废气排放污染,通过对比分析定义了大气污染非对称性特征;然后以2011—2019年长江经济带130个城市为研究对象,从时空演变特征探讨了大气污染非对称性,并且研究了大气污染非对称性的形成机制、作用机制和影响机制。研究发现,雾霾污染的重心轨迹呈现“北进南退”特征,废气排放污染的重心轨迹呈现“南进北退”特征。雾霾污染程度严重的城市并不全是废气排放污染程度严重的城市,反之亦然,大气污染呈现非对称性特征。大气污染非对称性特征阻碍了经济发展,大气污染的空间流动特征是其形成的主要原因,废气排放污染和环境规制是其主要的影响因素。因此,相关部门在制定大气污染治理目标时应考虑大气污染非对称性特征,认清各城市共同但有区别的治污责任,激励各城市间增强大气污染治理的协同程度。

细粒度图像识别任务的多层和区域特征融合模型

细粒度图像识别任务中,在整体相似度极大而局部细节不同的图片中提取具有关注度的区域,并对其中的特征加以学习是至关重要的任务。针对目前研究中存在的人工标注判别区域的成本太高、模型构建中需引入大量额外的网络结构,在训练和推理阶段会引入额外的计算开销等问题,研究优化后提出多层和区域特征融合模型。模型基于注意力机制进行构建,模拟人类观察原理,提升对有价值的局部细节的关注能力,提高在经典数据集上的识别效果。本模型主要分为带有注意力权重的卷积神经网络多层融合和基于区域特征之间依赖性的区域融合两个部分。整体主要以注意力机制为主,注重特征提取时全面考虑图像细节特征和抽象特征以及对于不同区域的组成与各个区域之间的依赖关系,在兼顾整体的情况下同时发挥局部细节的影响力。试验结果表明:在部分经典数据集上具有良好的准确率,Oxford Flowers数据集准确率为95.69%,同时在AID(航拍图像)数据集上具有96.96%的准确率,此前没有任何模型在该数据集上有过相关研究和模型训练。

多信息辅助的U型轻量级显著性目标检测模型

针对现有模型过于庞大的问题,本文提出了一个基于多信息辅助的U型轻量级显著性目标检测模型.为了在轻量化的同时保持性能,分别设计了MUN模块和DPM模块.MUN模块利用边缘特征对模块内的浅层特征作细节补充并对边缘区域进行强调,利用骨架特征对图像特征的结构进行进一步的强化和修正.DPM模块中通过下采样操作和空洞卷积操作获得了不同感受野和全局性的特征,对模型进行结构信息补充,从而改善目标定位.考虑到分布跨度过大的特征无法很好地进行融合,DPM中使用平行结构进行相邻融合,将多个特征逐渐集成为一个特征.本文提出的方法在五大数据集上都获得了不错的性能,在模型大小和精度之间达到了进一步的平衡,与其他优秀模型的对比表明了本模型的有效性及优越性.

基于特征增强的RGB-D显著性目标检测

显著性目标检测方法中,深度(Depth)信息的引入能弥补RGB图像缺失的空间信息,有助于从复杂的背景中检测显著目标,提升检测精度。但如何有效融合跨模态特征、获取清晰的边界是值得研究的问题。该文设计了一个基于特征增强的RGB-D显著性目标检测网络FENet(Feature Enhancement Network),首先由特征融合增强模块(Feature Fusion Enhancement Model,FFEM),通过交叉融合和混合空间/通道注意力充分利用跨模态特征的相关性和互补性提取高级语义信息,然后通过边界特征增强模块(Boundary Feature Enhancement Model,BFEM)对浅层细节信息进行补充,并引入门控避免低质量底层信息的干扰,最后通过混合增强损失函数来完成模型对显著区域和边界的学习。FENet模型在五个公开数据集上和当前较为先进的模型相比,有效提升了检测性能,尤其在显著物体的边缘细化和完整性检测上。