融合“四新”案例的学生创新实践能力培养探索与实践——以计算机科学与技术师范专业为例

针对计算机科学与技术师范专业人才培养中存在的师范教育弱化、教师对实践能力理解不充分,教学中案例资源单一、短缺等问题,通过实践研究,提出面向中学人工智能教育的“四新”师范人才培养理念,明确创新实践能力培养的重要路径,丰富“四新”案例资源,探索“六位一体,做有温度的课程思政”的教学理念。经实践检验效果良好,对人才培养、专业建设、创新实践能力等方面有较好的借鉴意义。

基于特征联合和支持向量机的人脸识别

在兼顾实时性的情况下,为了进一步提高人脸识别的识别率,本文提出一种基于特征联合和支持向量机的人脸识别方法。首先,提取人脸样本的梯度方向直方图特征和局部二值模式特征,并将这两种特征进行联合形成样本的联合特征。其次,使用主成分分析法对样本联合特征进行降维得到样本的低维联合特征。最后,利用训练样本的低维联合特征训练支持向量机得到一个人脸识别器,并利用该人脸识别器对测试样本进行识别。基于ORL人脸库的实验结果表明,与现有方法相比,本文方法在取得较高识别率的同时也取得了较好的实时性。

基于特征联合和偏最小二乘降维的手势识别

针对以往手势识别研究中更关注识别率而弱化实时性的情况,首次将偏最小二乘降维思想引入手势识别领域,提出一种基于特征联合和偏最小二乘降维的手势识别方法。首先进行手势分割,在此基础上提取手势样本的梯度方向直方图和局部二值模式特征,并将二者进行联合。然后采用偏最小二乘法对手势联合特征进行降维,并将降维后的手势训练样本特征输入到支持向量机中进行分类训练。最后用训练好的支持向量机对降维后的手势测试样本进行识别测试。基于Jochen Triesch手势库及自制手势库的实验结果表明,同已有方法相比,本文所提方法在取得较高手势识别率的同时也取得了较好的实时性。

基于特征降维的手势识别

针对以往手势识别研究中更偏重识别率而弱化实时性的情况,本文将偏最小二乘法应用于手势识别领域,提出一种基于特征降维的手势识别方法。首先在手势样本进行手势分割的基础上提取其梯度方向直方图特征,然后采用偏最小二乘法对手势特征进行降维,最后使用支持向量机对降维后的手势特征进行训练和识别。基于自制手势库的实验结果表明,本文所提方法在取得较高识别率的前提下,经过特征降维显著改善了手势识别的实时性。

基于表现型的基因表达式编程解空间模型研究

基因表达式编程(gene expression programming,GEP)解空间模型理论对算法性能的改进有现实指导意义。公开文献对GEP解空间模型的研究较少,鲜见针对GEP表现型的理论研究。基于此,提出一种基于表现型的GEP解空间模型。首先,通过定义GEP染色体表现型高度,给出单基因染色体和多基因染色体表现型高度确定上界的定理及证明,利用GEP算法自身函数发现的能力,探索出操作符集最小目数为1或2的GEP染色体表现型高度上界计算的通项公式,以保证GEP表现型解空间模型的确定有界性与可计算性。其次,以GEP表现型高度的确定上界定理为基础,构建基于表现型的GEP解空间模型,总结GEP表现型解空间模型的性质和定理。通过进一步定义GEP表现型的完全解空间概念,对最优解在GEP表现型解空间和完全解空间中的分布特征进行探索研究,获知在完全解空间中最优解随子空间序号的增长呈大比例增加的分布特征。基于表现型空间模型知识,提出限制GEP种群搜索空间的基本思想与控制策略,利用模型知识合理地解释公开文献中多种GEP改进算法的有效性。

深度多尺度不变特征网络预测胶质瘤1p/19q缺失状态

准确预测胶质瘤染色体1p/19q的缺失状态对于制定合适的治疗方案和评估胶质瘤的预后有着重要的意义.虽然已有研究能够基于磁共振图像和机器学习方法实现胶质瘤1p/19q状态的准确预测,但大多数方法需要事先准确勾画肿瘤边界,无法满足计算机辅助诊断的实际需求.因此,提出一种深度多尺度不变特征网络(deep multiscale invariant features-based network,DMIF-Net)预测1p/19q的缺失状态.首先利用小波散射网络提取多尺度、多方向不变特征,同时基于深度分离转聚合网络提取高级语义特征,然后通过多尺度池化模块对特征进行降维并融合,最后在仅输入肿瘤区域定界框图像的情况下,实现胶质瘤1p/19q状态的准确预测.实验结果表明,在不需要准确勾画肿瘤边界的前提下,DMIF-Net预测胶质瘤1p/19q缺失状态的AUC(area under curve)可达0.92(95%CI=[0.91,0.94]),相比于最优的主流深度学习模型其AUC增加了4.1%,灵敏度和特异性分别增加了4.6%和3.4%,相比于最好的胶质瘤分类前沿模型,其AUC与精度分别增加了4.9%和5.5%.此外,消融实验证明了本文所提出的多尺度不变特征提取网络可以有效地提高模型的预测性能,说明结合深度高级语义特征和多尺度不变特征可以在不勾画肿瘤边界的情况下,显著增加对胶质瘤1p/19q缺失状态的预测能力,进而为低级别胶质瘤的个性化治疗方案制定提供一种辅助手段.

基于Face++的手势识别系统设计与实现

鉴于Face++在人脸检测与识别领域的巨大成功,针对目前手势识别应用研究偏少的情况,本文将Face++人体识别中的手势识别方法加以应用,设计并实现了基于Face++的手势识别系统。该系统首先利用手势样本库图片或者摄像机实时采集的手势图片作为待识别样本,接着将样本作为一个参数,通过Post调用方法调用Face++指定的URL接口,最后解析通过接口调用返回的Json串并使用Open CV库函数将识别结果显示给用户。实验结果表明,使用Face++手势识别方法识别静态手势,系统具有识别率高、实时性好、鲁棒性佳的优点。

N型手动液压舵机航向稳定性的分析

本文利用自动控制原理,建立系统传递函数,对国外液压舵机的航向稳定性进行动态分析,并提出应急措施,取得了显著的效果,为产品改进提供了理论依据。

基于互联网+的课程建设与教学实施分析与探讨

随着我国互联网基础设施的不断完善与信息技术的快速发展,基于互联网+的在线教育成为当前十分重要的教育教学形式,不仅是传统教育教学形式的有益补充,也成为知识普及、技能推广等终生学习理念的最重要途径。文章针对在线教育的课程组织开发、教学过程实施以及精品课程建设相关内容进行了广泛的分析与探讨,并以"ACCESS数据库程序设计"课程建设为例进行了总结。

数学软件Maple在微分方程中的几点应用

本文简单介绍了数学软件Maple在常微分方程中的几点应用,通过用Maple可以求解一般类型及较复杂的微分方程,并且可用该软件画出解的积分曲线图形,分析解的情况等,为学习和研究微分方程提供了有利帮助。

一阶微分方程积分因子的探讨

积分因子对于某些非恰当微分方程的求解非常有效,本文主要总结了一些常见类型的积分因子存在的条件,并举例说明了另外几类积分因子的寻找方法。

语义拉普拉斯金字塔多中心乳腺肿瘤分割网络

目的乳腺肿瘤分割对乳腺癌的辅助诊疗起着关键作用,但现有研究大多集中在单中心数据的分割上,泛化能力不强,无法应对临床的复杂数据。因此,本文提出一种语义拉普拉斯金字塔网络(semantic Laplacian pyramids network, SLAPNet),实现多中心数据下乳腺肿瘤的准确分割。方法 SLAPNet主要包含高斯金字塔和语义金字塔两个结构,前者负责得到多尺度的图像输入,后者负责提取多尺度的语义特征并使语义特征能在不同尺度间传播。结果网络使用Dice相似系数(Dice similarity coefficient, DSC)作为优化目标。为了验证模型性能,采用多中心数据进行测试,与Attention UNet、PSPNet(pyramid scene parsing network)、UNet 3+、MSDNet(multiscale dual attention network)、PyConvUNet(pyramid convolutional network)等深度学习模型进行对比,并利用DSC和Jaccard系数(Jaccard coefficient, JC)等指标进行定量分析。使用内部数据集测试时,本文模型乳腺肿瘤分割的DSC为0.826;使用公开数据集测试时,DSC为0.774,比Py Conv UNet提高了约1.3%,比PSPNet和UNet3+提高了约1.5%。结论本文提出的语义拉普拉斯金字塔网络,通过结合多尺度和多级别的语义特征,可以在多中心数据上准确实现乳腺癌肿瘤的自动分割。

自适应多模态特征融合胶质瘤分级网络

目的胶质瘤的准确分级是辅助制定个性化治疗方案的主要手段,但现有研究大多数集中在基于肿瘤区域的分级预测上,需要事先勾画感兴趣区域,无法满足临床智能辅助诊断的实时性需求。因此,本文提出一种自适应多模态特征融合网络(adaptive multi-modal fusion net,AMMFNet),在不需要勾画肿瘤区域的情况下,实现原始采集图像到胶质瘤级别的端到端准确预测。方法 AMMFNet方法采用4个同构异义网络分支提取不同模态的多尺度图像特征;利用自适应多模态特征融合模块和降维模块进行特征融合;结合交叉熵分类损失和特征嵌入损失提高胶质瘤的分类精度。为了验证模型性能,本文采用MICCAI(Medical Image Computing and Computer Assisted Intervention Society) 2018公开数据集进行训练和测试,与前沿深度学习模型和最新的胶质瘤分类模型进行对比,并采用精度以及受试者曲线下面积(area under curve,AUC)等指标进行定量分析。结果在无需勾画肿瘤区域的情况下,本文模型预测胶质瘤分级的AUC为0.965;在使用肿瘤区域时,其AUC高达0.997,精度为0.982,比目前最好的胶质瘤分类模型——多任务卷积神经网络同比提高1.2%。结论本文提出的自适应多模态特征融合网络,通过结合多模态、多语义级别特征,可以在未勾画肿瘤区域的前提下,准确地实现胶质瘤分级预测。