基于推理注意力机制的二阶段网络图像修复

现有的图像修复方法在处理大面积缺失或高度纹理化的图像时,通常会产生扭曲的结构或与周围区域不一致的模糊纹理,无法重建合理的图像结构。为此,提出了一种基于推理注意力机制的二阶段网络图像修复方法。首先通过边缘生成网络生成合理的幻觉边缘信息,然后在图像补全网络完成图像的重建工作。为了进一步生成视觉效果更逼真的图像,提高图像修复的精确度,在图像补全网络采用推理注意力机制,有效控制了生成特征的不一致性,从而生成更有效的信息。所提方法在多个数据集上进行了实验验证,结果表明该图像修复方法的结构相似性指数达到了88.9%,峰值信噪比达到了25.56 dB,与现有的图像修复方法相比,该方法具有更高的图像修复精确度,生成的图像更逼真。

基于二阶段网络的起重机小样本图像锈蚀检测

基于图像的表面锈蚀检测是起重机损伤检测的重要新兴技术。由于起重机械的结构形状复杂,无人机等设备获取的起重机图像会包含大量的阴影以及黑色背景物,易被误识别为锈蚀;同时,起重机属于高端装备,锈蚀损伤样本量往往不足,加重了锈蚀检测的难度。针对以上问题,文中提出了一种基于二阶段网络的起重机小样本图像锈蚀检测算法。具体地,设计了一个包含分割和决策的二阶端到端学习网络,其中分割网络使用锈蚀损伤的标签进行训练,决策网络则根据分割网络提取的特征,进一步学习判断输入的图片中是否包含锈蚀损伤,并通过将二阶段的网络由类似于VGGNet的结构提升为类似于ResNet的残差结构来对网络进行优化。实验结果表明,提出的方法有效提升了图像锈蚀检测的精度,在自建的起重机小样本图像锈蚀数据集上,将模型的平均精度由94.2%提升到了98.1%,满足了起重机工业场景下的损伤检测要求。

基于二阶段网络DEA的航线网络运营效率研究

本文通过采用数据包络分析的二阶段网络DEA模型,从投入导向和产出导向两个角度出发,通过机队配置和公司效益来对现有国内各航空公司航线网络的效率进行评价并做了实证分析。发现国内超半数以上的航空公司的航线网络效率较低,有部分航空公司的效率甚至不到一半,可见国内大部分航空公司的航线网络与现有机队配置都存在不匹配的现象,需要进行适当调整和优化。

基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparation enhancement network,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitation networt,Skip_SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip_CBAM)模块改进原始小目标特征增强单次多框检测算法(small object detection enhancement single shot multiBox detector,SDE-SSD),从而提升定位网络的小目标检测能力;设计弱监督机制使预增强网络根据小目标特征增强SSD的要求来提升图像增强能力,直到小目标特征增强SSD能够从增强图像中准确定位绝缘子串位置;使用深度增强网络深度增强绝缘子串区域,提升各类故障的特征显著性。故障检测模块中,将YOLOv7目标检测算法改进为面向小目标YOLOv7,在原模型中添加结合多尺度特征自适应融合网络的小目标检测通道,并将原始损失函数的CIOU改进为BIOU,从而提高模型的小目标检测性能。在低照度环境绝缘子故障检测实验中,该算法与5种目前常用目标检测算法相比具有较大优势,并且相较于低光目标检测算法IA-YOLO、GenISP with RetinaNet,m AP提升9.77%、10.35%,检测速度提升7.23%、10.16%,证明该算法适用于低照度复杂环境下小目标绝缘子故障检测任务;在正常光照绝缘子故障检测实验中该算法仍保持出色性能,证明该算法能够实现常规光照条件下绝缘子小目标故障检测。

基于二阶段网络DEA的江苏省高校科技成果转化绩效测度与分析

准确把握高校成果转化的现状,测度高校科技活动的绩效,生成可用于指导或帮助决策的"深层知识",对于推动高校科技成果向现实生产力转化,加快其商品化、产业化,具有重要的理论与现实意义。从两阶段创新价值链视角,构建高校科技成果转化绩效评价指标体系,并以江苏省本科院校作为研究对象,利用二阶段网络DEA模型测度高校科技成果转化效率,分析其研发和成果转化效率的演变差异性,并给出提升绩效的对策建议。

一种先验知识引导的基于二阶段渐进网络的自主抓取策略

针对未知不规则物体在堆叠场景下的抓取任务,提出一种基于二阶段渐进网络(two-stage progressive network,TSPN)的自主抓取方法.首先利用端对端策略获取全局可抓性分布,然后基于采样评估策略确定最优抓取配置.将以上2种策略融合,使得TSPN的结构更加精简,显著减少了需评估样本的数量,能够在保证泛化能力的同时提升抓取效率.为了加快抓取模型学习进程,引入一种先验知识引导的自监督学习策略,并利用220种不规则物体进行抓取学习.在仿真和真实环境下分别进行实验,结果表明该抓取模型适用于多物体、堆叠物体、未知不规则物体、物体位姿随机等多种抓取场景,其抓取准确率和探测速度较其他基准方法有明显提升.整个学习过程历时10天,结果表明使用先验知识引导的学习策略能显著加快学习进程.

我国高等教育系统资源配置效率研究——基于成果化和经济化全过程视角

教育具有服务经济社会发展的目的,高等教育系统资源配置的效率已成为影响经济发展质量的重要因素。着眼于高等教育系统资源配置与经济社会发展的关系,可以构建出“资源供给—教育建设—社会发展”的全过程研究框架,综合运用网络二阶段DEA模型和Malmquist指数对我国的30个省(自治区、市)在2006—2020年高等教育系统资源配置效率进行考察,采用Tobit模型进行分析,可以从政府、市场以及高校三个维度梳理出影响高等教育系统资源配置效率的因素。结果显示,我国高等教育系统资源配置全过程效率呈逐年上升的趋势,但成果化和经济化两个子阶段的效率各异。经济化阶段的效率低下是制约高等教育系统资源配置效率提升的关键因素。为此,我国政府应通过加强宏观调控、提升资源供给质量、制订特色化发展方案、着力排除科研成果转化障碍等举措来提高高等教育支撑经济社会高质量发展的效能。

“碳中和”背景下新能源汽车上市企业技术创新效率分析

我国新能源汽车企业的技术创新动力与创新资源配置的合理性问题是关系到新能源汽车行业发展的重大命题.通过二阶段动态网络DEA模型分析13家A股新能源汽车上市企业在2013-2020年的综合技术创新效率和两个阶段的技术创新效率,结果显示,新能源汽车上市企业综合技术创新效率和阶段技术创新效率不高,且13家上市企业技术研发效率均值低于成果转化效率均值,提高新能源汽车的技术创新效率势在必行.通过灰色关联分析影响因素发现,第一大股东的持股比、研发投入、企业员工人数中本科及以上受教育程度人员占比、管理能力、净资产收益率、总资产周转率是影响新能源汽车上市企业技术创新效率的六个最重要因素,而政府补助和总资产对技术创新效率的影响较小.

财政政策工具与中国科技企业孵化器效率

基于2015至2017年中国科技企业孵化器数据,使用部分共享投入的二阶段网络DEA模型,测算中国科技企业孵化器整体效率、创新研发效率和成果转化效率,通过倾向得分匹配法分析股权投资、财政补贴和税收优惠对孵化器各阶段效率的影响,同时讨论区域间的差异性。研究结果表明:孵化器获得政策支持与知识创造、资金支持、平台规模正相关,与经营水平负相关;股权投资和财政补贴对孵化器整体效率起到显著抑制作用,三类政策对孵化器创新研发效率均起到显著抑制作用,税收优惠对孵化器成果转化效率起到显著激励作用;股权投资在东北地区创新研发阶段表现为正效应,财政补贴在东北地区整体和创新研发阶段表现为正效应;税收优惠在东部地区成果转化阶段以及西部地区整体和创新研发阶段表现为正效应,在东部地区整体和创新研发阶段以及西部地区成果转化阶段表现为负效应。