应用创新型物联网工程专业建设探讨—以烟台大学为例

针对教育部和山东省教育厅本科教学审核评估的指标体系,提出将指标体系分解为人才培养规范和教学规范与保障两大类,对物联网工程专业建设中的培养目标、培养规格、培养方案与课程体系、教学过程与评价、教学资源、师资队伍建设、产学研促进教学和学生就业与发展等方面进行分析总结。阐述烟台大学应用创新型物联网工程专业建设的实施过程、办学经验和教学成果,凝练了专业建设特色,探讨了如何培养具有创新思维和创新意识的高级应用型人才。

基于金字塔匹配的智能电表屏幕缺陷自动检测

自动检测具有成本低、效率高的优势,逐步成为智能电表字符缺陷检测领域的主要趋势。然而,目前的自动检测方法依赖于字符分割的准确性,极易受屏幕倾斜、背景噪声或亮度不均的影响。为此,本文提出基于高斯金字塔匹配的自动检测方法。该方法无需字符分割过程,而是首先对模板图像中每个字符,线下提取其多尺度金字塔模板,然后对待检测的屏幕图像,利用快速模板匹配搜索其中的字符,最后依据字符个数判断屏幕是否残缺。研究结果表明:该方法能够避免图像质量的影响,快速、准确地检测屏幕缺陷。

基于Swin-Transformer的野生动物检测

野生动物检测对于更好地开展野生动物保护、维持生物多样性和生态系统平衡具有重要意义。随着科技的进步,野生动物检测已从传统的人工寻觅、人眼识别发展到利用机器学习技术进行快速检测的阶段。然而,当前各种检测模型存在检测精度不高的问题。因此,本文将Swin-Transformer技术应用到野生动物目标检测模型,并与其他的优秀的检测模型进行性能比较。实验结果表明与其他优秀的检测器相比,Swin-Transformer检测的平均检测精度为0.958,领先于其他检测模型至少5%,并且该检测器对绝大多数动物的检测均可取得最优结果,即使是对于样本数量较少的稀有类别,检测精度依然能够达到91%,极大提高了野生动物检测的准确率。

面向鲁棒学习的对抗训练技术综述

深度学习在众多领域取得了巨大成功。然而,其强大的数据拟合能力隐藏着不可解释的“捷径学习”现象,从而引发深度模型脆弱、易受攻击的安全隐患。众多研究表明,攻击者向正常数据中添加人类无法察觉的微小扰动,便可能造成模型产生灾难性的错误输出,这严重限制了深度学习在安全敏感领域的应用。对此,研究者提出了各种对抗性防御方法。其中,对抗训练是典型的启发式防御方法。它将对抗攻击与对抗防御注入一个框架,一方面通过攻击已有模型学习生成对抗样本,另一方面利用对抗样本进一步开展模型训练,从而提升模型的鲁棒性。为此,本文围绕对抗训练,首先,阐述了对抗训练的基本框架;其次,对对抗训练框架下的对抗样本生成、对抗模型防御性训练等方法与关键技术进行分类梳理;然后,对评估对抗训练鲁棒性的数据集及攻击方式进行总结;最后,通过对当前对抗训练所面临挑战的分析,本文给出了其未来的几个发展方向。