基于学生能力导向的人工智能课程教学改革

当前人工智能相关课程通常以教师为主体,根据课程大纲统一授课,忽略了不同教育背景学生对课程知识掌握的差异性。针对该不足之处,提出基于学生能力导向的人工智能课程改革方案,强调以学生掌握知识能力为导向,围绕工程教育核心理念,融合分组课堂讨论、实验训练环节、教研融合等多种教学方法,采用线上线下相结合的混合式教学模式,实现因材施教的教学目标。学生可根据自身工程实践能力选择合适的学习通道,有助于教师针对性地培养学生的创新、实践能力。研究表明,基于学生能力导向的人工智能课程教学改革能最大程度调动学生积极性,达到预期教学改革效果,以期为其他课程改革提供参考与借鉴。

基于Transformer与注意力聚合的人脸超分辨率

目前大多数人脸超分辨率方法都是将整个人脸图像或利用额外的人脸先验输入到卷积神经网络中来辅助网络关注面部结构。然而,卷积神经网络存在感受野大小受限的问题。此外,获取额外的人脸先验是一项艰巨的任务,并且不准确的人脸先验会严重影响生成图像质量。鉴于最近Transformer在视觉领域的出色表现,论文针对上述问题,提出一种基于Transformer与注意力聚合的人脸超分辨率重建网络来恢复人脸的全局结构与局部纹理细节。

基于二值Gabor模式的指关节识别

近年来,指关节识别,作为一种新的身份认证方法,受到了广泛的关注。许多人脸识别的方法也可用于指关节识别,LGBP就是其中之一。尽管LGBP取得了较好的结果,但是会使存储空间变得很大。针对此问题,提出一种简单有效的基于二值Gabor模式的指关节识别方法。该方法首先把一副图像和J个滤波器进行卷积,分别提取实部和虚部特征,这些滤波器除了方向参数不同外,其他参数均相同。然后二值化每个像素点的J位的响应,并量化为唯一对应的十进制数,即提取出样本图像的BGP特征图。最后的分类是基于BGP直方图实现的。实验结果表明,无论是在识别率,还是存储空间上,该方法都要优于LGBP。该方法能有效地降低识别过程中的存储空间,并获得满意的识别结果。

深度学习在口腔医学影像中的应用与挑战

口腔医学影像是进行临床口腔疾病检测、筛查、诊断和治疗评估的重要工具,对口腔影像进行准确分析对于后续治疗计划的制定至关重要。常规的口腔医学影像分析依赖于医师的水平和经验,存在阅片效率低、可重复性低以及定量分析欠缺的问题。深度学习可以从大样本数据中自动学习并获取优良的特征表达,提升各类机器学习任务的效率和性能,目前已广泛应用于医学影像分析处理的各类任务之中。基于深度学习的口腔医学影像处理是目前的研究热点,但由于口腔医学领域内在的特殊性和复杂性,以及口腔医学影像数据样本量通常较小的问题,给深度学习方法在相关学习任务和场景的应用带来了新的挑战。本文从口腔医学影像领域常用的二维X射线影像、三维点云/网格影像和锥形束计算机断层扫描影像3种影像出发,介绍深度学习技术在口腔医学影像处理及分析领域应用的思路和现状,分析了各算法的优缺点及该领域所面临的问题和挑战,并对未来的研究方向和可能开展的临床应用进行展望,以助力智慧口腔建设。

普适计算课程教学改革的实践与探索

普适计算作为理工科高校物联网工程专业开设的一门专业基础课程,旨在使学生初步掌握普适计算的概念、关键技术,以及其在各个领域的应用。笔者在面向物联网工程专业开设的普适计算课程中,结合教学实践经验,分析了课程改革的重点难点问题,从教学方法、教学内容、教学手段以及考核方法等方面进行了教学改革,总结了一些教学改革经验。通过课程教学改革实践,学生的专业基础、科学素养和实践能力均得到了有效提高。