知识图谱及教育赋能的“能”与“不能”

知识图谱是近年来人工智能领域的热门技术之一,通过知识图谱可以将大量的数据和知识整合成结构化的图谱。随着大模型、ChatGPT、生成式人工智能的爆发式发展,知识图谱及教育赋能开展正在助力教育变革创新。据悉,清华大学在2024年将建设100门人工智能赋能教学试点课程,利用人工智能辅助或深度介入课程,打造人工智能助教、人工智能教师,持续创新教学场景,提升教与学的效率与质量。

基于SIFT特征和广义紧互对原型对距离的遥感图像配准方法

主要讨论SIFT(Scale Invariant Feature Transform)及其在遥感图像配准中的应用。首先介绍了基于特征点的遥感图像配准的一般框架;针对基于特征点的遥感图像配准中的两个基本问题——鲁棒的特征点提取和特征点匹配,提出了基于SIFT特征点和广义紧互对原型对距离的遥感图像配准新方法,并通过"广义紧互对原型对"的概念,为不同的特征点匹配方法建立了联系。与已有的相关工作相比,该方法可以得到更多的匹配点对和正确的匹配点对。数值试验证明了该方法的有效性和鲁棒性。

基于多尺度融合的对象级变化检测新方法

讨论了遥感图像变化检测中的多尺度融合问题.首先分析了高分辨率遥感图像的城市变化检测的难点和传统的变化检测方法的局限性;针对这些难点和局限性,提出了基于多尺度融合的对象级的变化检测框架.该框架利用对象级的变化检测方法,提高了变化类和非变化类的可分性.为了提高变化检测的精度,该框架引入了两种不同的多尺度融合策略.在QuickBird高分辨率遥感图像上的实验结果验证了该方法的有效性和鲁棒性.

第二类Fredholm积分方程的小波快速算法

介绍了一种求解含有对数核的第二类Fredholm积分方程的有效的方法,该方法先用Nystrom法将积分方程离散,然后用小波矩阵变换方法稀疏系数矩阵,对系数矩阵预处理后再对线性方程组迭代求解。数值结果证明了该方法的有效性。

高阶SVD和全变差正则的乘性噪声去除模型

光滑性、稀疏性和自相似性先验作为自然图像的重要特性被广泛应用于图像去噪.根据高阶奇异值分解和全变差正则的互补性,提出了一种能够同时利用光滑性、稀疏性和自相似性先验的乘性噪声去除新方法.该方法首先采用高阶奇异值分解方法对对数变换后图像中的相似块组进行去噪;然后结合考虑光滑性先验的全变差约束对结果进行迭代优化.实验结果表明,该方法在有效去除乘性噪声的同时,可以更好地保留图像的边缘和纹理区域的细节信息.

低品位铜浮选工艺研究

赤峰敖仑花矿业有限责任公司所属选厂以回收钼为主,针对原矿中低品位铜未得到回收的问题,通过研究,采用抑铜选钼工艺,进行铜钼分离,提高钼精矿品质的同时,使铜富集到一定程度,具有了选别价值,然后采用一粗两扫三精的工艺流程,对铜钼分离后的铜中矿进行回收,最终获得了铜精矿的品位为20%,回收率达到90%(相对铜中矿)。提高了资源的利用率,增加了效益。

硫酸铵在浮选中的应用

本文介绍了硫酸铵的性质 ,总结了国内外近年来发表的硫酸铵在浮选中的应用情况 ,采录数据证实了硫酸铵在浮选中应用的优越性 ,并略加评论。

杠杆对房地产价格波动的影响——基于SVAR模型的实证分析

运用SVAR模型,从政府部门、金融部门、非金融企业部门和家庭部门四个杠杆维度研究了杠杆对房地产价格波动的影响,发现短期四部门杠杆对房地产价格波动影响较大,随着时间的推移,长期内影响逐渐减弱,同时杠杆对资产价格波动的影响具有一定的时滞性。因此在当前保持房地产价格稳定的过程中要避免杠杆的不利影响,特别是家庭部门杠杆对房价波动的影响,同时也要注意这种影响的时滞性。

赤峰某矿锡浮选工艺研究

赤峰某矿业公司选矿一厂锡的回收率随原矿品位的变化为40%~50%,锡含量有50%~60%流失到尾矿中,没有得到回收。为提高资源利用率,加强锡回收,增加效益,对尾矿进行锡再选试验。粗细分选,＋200目尾矿进行摇床选锡,-200目尾矿进行浮选选锡。

浅谈吉林市农业环境保护事业发展战略

根据近几年来工作经验 ,总结提出了今后吉林市农业环保工作想法 ,以进一步推动农业环保事业发展 ,促进农业生态环境根本好转。

资产价格波动对杠杆的引致效应——基于四部门杠杆率的研究

通过建立资产价格波动对杠杆的引致效应模型揭示其中的内在逻辑关系,并以房地产和股票价格波动代表资产价格波动,运用SVAR等模型从政府部门、金融部门、非金融企业部门和家庭部门四个杠杆维度研究资产价格波动对杠杆的影响;结果表明:资产价格波动对杠杆具有在方向上同向性、大小上一致性、时间上却具有滞后性的引致效应,不同资产价格波动对四部门杠杆的引致效应也不相同,其中股票价格波动对政府和家庭部门杠杆的引致出现了反向引致。因此,在去杠杆的过程中,需要区分不同资产价格对不同杠杆的影响,保持相关资产价格的相对稳定,避免引致不合理的加杠杆,着重预防由于资产价格大幅下跌或者波动导致的被动去杠杆等风险。

整型推理量化CNN的SAR图像跨域变化检测

目的合成孔径雷达(synthetic aperture radar,SAR)特有的成像优势使得SAR图像变化检测在民用和军事领域有着广泛的应用场景,但实际应用中对SAR图像的变化区域进行标注既耗时又昂贵,而且现有的变化检测方法复杂度较高,无法满足实时、快速检测的需求。对此,提出了一种基于整型推理量化卷积神经网络的SAR图像跨域变化检测方法(integer inference-based quantization convolutional neural network,IIQ-CNN)。方法该方法研究了不同场景之间的跨域变化检测问题,即利用已有标记的源域数据对未知的目标域数据进行检测;设计了同时使用时相图和差异图的样本构建方法,既避免了检测结果对差异图的过分依赖,又能充分利用差异信息和时相图与差异图之间的共享信息,提高检测精度;并且在变化检测任务中首次引入整型推理量化技术,对深度网络模型进行模拟量化,减小模型复杂度并加速推理时间。结果在4组真实的SAR图像数据集上进行实验,从检测性能上看,IIQ-CNN与其他CNN方法相比,Kappa系数提高了4.23%~9.07%;从量化能力上看,对IIQ-CNN分别进行16、8和4位量化,仅在4位量化时检测结果有较明显下降,在16和8位量化时,模型都保持了较好的检测性能,并且推理时间明显减少。结论本文方法有效解决了伪标签质量对变化检测性能的影响,实现了加速推理的同时较好地保持模型检测精度的目的,促进了变化检测算法在嵌入式设备中的应用。