促进信息技术与中小学教育深度融合管理机制研究——以佛山市禅城区为例

通过建立集投入、评价、监督、激励于一体的系统性教育信息化融合管理机制,佛山市禅城区有效推进区域信息化建设和创新教育发展,逐步形成具有鲜明特色的区域教育信息化推进模型及创客教育推进体系,在教育管理改革、教师提升、学生发展、家长服务等方面发挥了重要的促进作用。

基于轻量化高效层聚合网络的黄花成熟度检测方法

针对黄花传统人工识别效率低,辨识标准不统一的问题,提出基于轻量化和高效层聚合过渡网络的黄花成熟度识别方法LSEB YOLO v7。首先,引入轻量化卷积对高效层聚合网络和过渡模块进行轻量化处理,减少模型计算量。其次,在特征提取与特征融合网络之间增加通道注意力机制,提升模型检测性能。最后,在特征融合网络中,优化通道信息融合方式,使用双向特征金字塔网络替换Concatenate,增加信息融合通道,持续提升模型性能。实验结果表明:与原始模型相比,在黄花成熟度检测中,改进后的LSEB YOLO v7模型参数量和浮点运算量分别减少约2.0×10^(6)和7.7×10^(9)。训练时长由8.025 h降低至7.746 h,模型体积压缩约4 MB。同时,训练精确率和召回率分别提升约0.64个百分点和0.14个百分点,mAP@0.5和mAP@0.5:0.95分别提升约1.84个百分点和1.02个百分点。此外,调和均值性能保持不变,均为84.00%。LSEB YOLO v7算法可均衡模型复杂性与性能,为黄花成熟度检测和智能化采摘设备提供技术支持。

基于改进YOLOv7的无人机图像目标检测算法

针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。

基于多尺度信息融合的图像识别改进算法

针对医学图像样本中存在噪声元素多、正负样本区分度不明显的问题,设计了一种递进式的多尺度信息融合机制,并结合自然图像分类中的注意力机制,对现有卷积神经网络结构进行改进,建立了端到端的图像自动识别模型。该模型对卷积神经网络不同层的输出选择相对应融合策略,对图像的不同层次的信息进行综合利用。采用改进后的模型对肺炎疾病正负样本X光片进行识别,准确率达到95.11%,查准率达到90.75%,查全率达到90.28%。设计了多组交叉对比实验,实验结果表明:改进后的模型在时间和空间复杂度上的优越性以及本文设计的多尺度信息融合机制对图像识别任务准确率的提升性更高。