资产减值准备对企业会计数据的影响和对策

资产减值准备的相关规定对于避免企业利润虚增及保证企业财务资料的真实可比性有着重要意义。应完善内部会计控制制度,解决“一股独大”问题,建立健全相关法律法规,强化相关主体的法律责任,严格自律性管理。

浅谈多报独立核算的间接费用分摊

当前，我国会计存在的一个严重问题是会计信息失真，而成本失真是其突出表现。间接费用分配不合理是引起成本失真的主要原因，本文主要对多报独立核算的间接费用分摊进行分析。

财务控制在报社内部机构改革中的运用

自网络技术和计算机技术的推动下，网络媒体逐渐占领了大部分的媒体市场，这就给传统的纸质媒体的发展带来较大的冲击。在此形势下，报社必须要认清市场发展形势，积极转变经营理念，加强内部机构改革，摒弃与时代发展不相符合的部分，创新和改革具有持续发展潜力的部分，以提高整个报社的可持续发展能力。而要做到这些，离不开报社内部的财务控制改革。现本文就主要从财务控制的角度来研究了报社内部机构改革的相关问题，并提出一些改革措施建议，以供参考。

关于对报业财务管理的职责和操作分析

财务工作在报业集团中处于不可替代的重要位置。不管是报业集团的日常运营和管理，还是资本运作、企业并购等重要项目的实施，都离不开财务部门。不敢想象，一个每天有大量涉及采编、广告、发行、投资等方面的现金流量的报业集团，如果没有完善和科学的财务管理系统，如何能够保持正常的运营？财务就像是一根主线，把所有的经营部门连接在一起，报社高层就是通过把握这根主线掌握所有的经营部门，并对关系报业发展的重大事项进行决策的。

报社财务管理创新探究

我国经济已经步入了新时代，文章首先对报社财务管理方面出现了一些问题，难以适应经济稳定快速发展的需要进行论述。接着在文章最后详细论述了如何对企业的财务管理进行创新，希望本文对相关从业人员有参考或借鉴的意义。

新旧借款费用准则的变化及其对经营业绩的影响

为适应市场经济的发展以及推进我国会计国际化的需要，2006年我国颁布了新的会计准则。其中，《企业会计准则第17号——借款费用》与以前的规定相比，在借款费rf]应予资本化的资产范围和借款范围以及借款费用资本化金额的确定等方面进行了修订和调整，此项改革必然会对其财务状况和经营成果产生较大的影响，并进而影响公司的经营业绩。

融合残差注意力机制的UNet视盘分割

目的青光眼和病理性近视等会对人的视力造成不可逆的损害,早期的眼科疾病诊断能够大大降低发病率。由于眼底图像的复杂性,视盘分割很容易受到血管和病变等区域的影响,导致传统方法不能精确地分割出视盘。针对这一问题,提出了一种基于深度学习的视盘分割方法RA-UNet(residual attention UNet),提高了视盘分割精度,实现了自动、端到端的分割。方法在原始UNet基础上进行了改进。使用融合注意力机制的ResNet34作为下采样层来增强图像特征提取能力,加载预训练权重,有助于解决训练样本少导致的过拟合问题。注意力机制可以引入全局上下文信息,增强有用特征并抑制无用特征响应。修改UNet的上采样层,降低模型参数量,帮助模型训练。对网络输出的分割图进行后处理,消除错误样本。同时,使用DiceLoss损失函数替代普通的交叉熵损失函数来优化网络参数。结果在4个数据集上分别与其他方法进行比较,在RIM-ONE(retinal image database for optic nerve evaluation)-R1数据集中,F分数和重叠率分别为0.9574和0.9182,比UNet分别提高了2.89%和5.17%;在RIM-ONE-R3数据集中,F分数和重叠率分别为0.969和0.9398,比UNet分别提高了1.5%和2.78%;在Drishti-GS1数据集中,F分数和重叠率分别为0.9662和0.9345,比UNet分别提高了1.65%和3.04%;在iChallenge-PM病理性近视挑战赛数据集中,F分数和重叠率分别为0.9424和0.8911,分别比UNet提高了3.59%和6.22%。同时还在RIM-ONE-R1和Drishti-GS1中进行了消融实验,验证了改进算法中各个模块均有助于提升视盘分割效果。结论提出的RA-UNet,提升了视盘分割精度,对有病变区域的图像也有良好的视盘分割性能,同时具有良好的泛化性能。

融合上下文和注意力的视盘视杯分割

目的青光眼会对人的视力造成不可逆的损伤,从眼底图像中精确地分割视盘和视杯是青光眼诊治中的一项重要工作,为有效提升视盘和视杯的分割精度,本文提出了融合上下文和注意力的视盘视杯分割方法(context attention U-Net,CA-Net)。方法进行极坐标转换,在极坐标系下进行分割可以平衡数据分布。使用修改的预训练Res Net作为特征提取网络,增强特征提取能力。采用上下文聚合模块(context aggregation module,CAM)多层次聚合图像上下文信息,使用注意力指导模块(attention guidance module,AGM)对融合后的特征图进行特征重标定,增强有用特征;使用深度监督思想同时对浅层网络权重进行训练,同时在视杯分割网络中引入了先验知识,约束对视杯的分割。结果在3个数据集上与其他方法进行对比实验,在Drishti-GS1数据集中,分割视盘的Dice(dice coefficient)和IOU(intersection-over-union)分别为0.9814和0.9635,分割视杯的Dice和IOU分别为0.9266和0.8633;在RIM-ONE(retinal image database for optic nerve evaluation)-v3数据集中,分割视盘的Dice和IOU分别为0.9768和0.9546,分割视杯的Dice和IOU分别为0.8642和0.7609;在Refuge数据集中,分割视盘的Dice和IOU分别为0.9758和0.9527,分割视杯的Dice和IOU分别为0.8871和0.7972,均优于对比算法。同时,消融实验验证了各模块的有效性,跨数据集实验进一步表明了CA-Net的泛化性,可视化图像也表明CA-Net能够分割出更接近标注的分割结果。结论在Drishti-GS1、RIM-ONE-v3和Refuge三个数据集的测试结果表明,CA-Net均能取得最优的视盘和视杯分割结果,跨数据集测试结果也更加表明了CA-Net具有良好的泛化性能。