美国区域性大学办学目标与定位研究——美国北部、南部、中西部和西部三所大学的个案

在美国大学中,通常从"使命宣言、愿景声明与基本/核心价值观"三个维度来架构大学的办学目标与定位,这三个维度共同构成大学办学目标与定位的三脚架。大学的使命宣言通常为大学的目标与定位定下了基调,"坚守大学使命、适应时代变化"是愿景的重要制定原则,价值观则引导大学肩负起使命,实现其愿景。在《美国新闻和世界报道》发布的2015年美国大学排名榜中,区域性大学按照所处区域被进一步划分为4个地理组:北部,南部,中西部和西部,这些区域性大学的办学目标与定位虽各不相同,但也表现出许多共同特征。

西部民族地区法律硕士培养目标与定位探析

十八届四中全会的召开掀开了全面推进依法治国的新篇章,法律硕士报考持续升温,这说明法律硕士的培养目标与定位符合社会发展的需求。法律硕士的培养目标与定位应顺应时代的潮流,法律硕士(非法学)旨在培养复合型人才,而法律硕士(法学)定位于培养专门型的法律实务人才。针对西部民族地区在培养过程中出现的问题,应进一步完善和发展双导师制来弥补师资不足并实现加强实践教育的效果,还要加强宣传工作吸引优质生源促进教育质量的提高。

基于改进YOLOv5s和传感器融合的目标检测定位

针对无人车环境感知过程中相机无法提供道路目标的位置信息,激光雷达点云稀疏以致检测方面难以达到很好效果的问题,提出一种通过融合两者信息进行目标检测和定位的方法。采用深度学习中YOLOv5s算法进行目标检测,通过联合标定进行相机与激光雷达外参的获取以转换传感器之间的坐标,使雷达点云数据能投影到相机图像数据中,得到检测目标的位置信息,最后进行实车验证。结果表明,所提算法能在搭载TX2嵌入式计算平台的无人车自动驾驶平台上拥有27.2 Hz的检测速度,并且在一段时间的检测环境中保持12.50%的漏检率和35.32 m的最远识别距离以及0.18 m的平均定位精度。将激光雷达和相机融合,可实现嵌入式系统下的道路目标检测定位,为嵌入式平台下环境感知系统的搭建提供了参考。

基于双目立体视觉的目标识别与定位

为从不同角度识别目标物体以及解决左右两幅图像中目标轮廓中心不匹配的问题,将SURF(Speeded Up Robust Features)算法与Grab Cut算法相结合,离线采集目标物体不同角度的图像,生成目标模板图片库。利用SURF算法完成目标物体的识别;利用SURF算法自动初始化Grab Cut算法,实现目标轮廓的提取;利用基于灰度相关的区域匹配算法完成目标轮廓中心点的匹配,结合三维重建原理实现目标定位。实验结果表明,该方法可以成功识别目标物体并对目标物体进行准确定位。

基于邻近目标置信度评估的视觉目标跟踪与定位

针对视觉目标跟踪与定位中,目标因为无特征或被严重遮挡导致无法定位的问题,设计了一种基于邻近目标置信度评估的视觉目标跟踪与定位算法。在跟踪过程中,通过检测提取邻近目标的标记特征,然后结合每个特征标记的汉明距离和相对其他标记的归一化结果以及每个标记发生的概率,得到每个标记最终置信度,选择置信度最大的邻近标记来确定目标位置。实验结果表明,该算法在对目标存在遮挡或目标没有特征的情况可以大大提高跟踪的鲁棒性和准确性。

基于双目视觉的目标识别与定位

给出一种双目视觉系统结合SURF(Speeded Up Robust Feature)特征的目标识别与定位方法,分析了采用SURF特征实现目标识别的方法,利用双目视觉的原理求取识别出的目标物体的三维坐标信息,从而实现目标物体的识别与定位,与传统的基于SIFT(Scale Invariant Feature Transform)特征或基于颜色形状特征的目标识别与定位方法相比,该方法更具有鲁棒性和实时性.实验结果证明了该方法进行目标识别与定位的可行性,具有一定的应用价值.

探地雷达C-scan数据中直接目标检测与定位研究

通过分析探地雷达C-scan数据的特点,得出C-scan数据方差与平方和特性包含了目标有无及位置信息,根据这一特点,提出了一种在C-scan数据中直接进行目标检测与定位的方法。通过对实测数据进行处理,结果表明所提方法取得了较好的效果。

SAR动目标检测与定位方法研究综述

运动目标检测与定位是SAR发展需要具备的功能，无论在军事上还是民用中都具有非常重要的作用。论文回顾了SAR动目标检测定位的发展历程，详细综述了SAR动目标检测定位的几种方法，分析并指出各类方法的优点和不足，进一步探讨了SAR动目标检测定位的发展趋势。

基于双目视觉的带电作业机器人的目标识别与定位方法研究

高空带电作业机器人对目标物的精细化作业,需要合适的视觉辅助系统判断机械臂或爪具的位置与距离。提出一种将基于双目立体视觉的带电作业机器人目标识别与定位方法。通过对传统的Census算法进行改进,用窗口均值像素代替中心像素,用自适应窗口代替固定窗口,并与差的绝对和(SAD)算法加权融合,得到一种改进的SAD-Census立体匹配融合算法。利用该算法进行像素匹配运算,得出视差图;在YOLO框架下训练输电线螺栓数据集,获得螺栓深度距离并精准识别。螺栓定位实验结果表明,该方法在近距离定位时能达到1.2%的定位精度,最小相对误差为0.5%,能够为带电作业机器人提供实时准确的环境感知信息,提高了带电作业机器人作业的稳定性。

深度学习在遥感影像目标识别与定位中的应用研究

长期以来,遥感影像的目标识别与定位主要依靠目视判读和人工手段,误判和漏判情况严重,且检测精度较低。文章介绍了基于深度学习的目标检测算法,探讨了将深度学习应用于遥感影像目标识别与定位需要的关键技术,并对深度学习在目标识别与定位中的应用进行了前景展望。

基于CNN双目特征点匹配目标识别与定位研究

针对传统的目标识别和定位存在识别类别单一和实时性差等缺点,提出了一种卷积神经网络(Convolutional Neural Networks,CNN)结合双目特征点匹配算法实现目标识别与定位的方法。通过CNN对训练的目标进行识别并框出目标在图像上的位置,采用SURF(Speeded Up Robust Features)算法对左右图像进行特征点匹配,计算目标框内的特征点得到视差,从而得到目标相对于摄像头的位置信息。由于随着目标与摄像头距离变化,重投影矩阵Q参数发生变化,影响定位精度,通过最小二乘法拟合矩阵Q和位置模型,提高定位精度。实验结果表明,该方法能够实时地实现目标识别与定位,通过改进的双目立体模型,提高了定位精度。

基于正交信号的组网雷达目标融合检测与定位方法

针对组网雷达信号级融合问题,文中提出了一种基于正交离散频率编码信号的组网雷达系统目标检测与定位的方法。通过降低第一检测门限,提高低信噪比目标检测概率,并使用卡方检验及多层检测,剔除第一层检测的假目标。文中首先建立了目标雷达散射截面散射一致性回波模型,分析了组网雷达中目标融合所需的距离-角度估计结果建立流程;然后,使用卡方检验及多雷达信号非相参积累检测剔除虚假目标,利用动态规划思想对多帧信号进行积累,进一步提高目标信噪比,剔除假目标;最后,通过仿真实验验证了本文方法的有效性。

顾及通信延迟的车路协同高精度定位

近几年,随着智能交通和通信技术的发展,智能车路协同系统引起了广泛的关注。车辆的位置特征是智能交通中的基本元素。车路协同环境下,车辆可通过通信设备接收路侧端的定位信息进行自车定位。本文旨在解决车路协同环境中不稳定的通信延迟带来的定位误差的问题,提出了一种基于因子图的考虑通信延迟的车辆高精度定位模型。在GNSS的情况下,基于路侧激光雷达点云LiDAR聚类方法识别和定位目标车辆,通过4G通信网络将目标定位结果发送至车辆,采用因子图将当前时刻的车载惯性测量单元IMU测量信息与滞后的路侧目标定位结果直接融合,基于增量平滑推理方法,实现车辆位置、速度和姿态的最优估计。最后,结合实测和仿真数据,利用实车试验验证了本文方法,与传统处理时间延迟的外推法对比分析,结果表明本文方法可提高车辆的定位和测速精度,并消除了高度不稳定的通信延迟对定位的影响。

基于视觉的多自由度机械臂目标自动跟随系统

为实现机械臂对目标物体的准确跟随,建立机械臂模型的坐标系,根据目标物体的坐标求解出各舵机关节在允许范围内的转动角度,确定二维坐标系下机械臂的运动轨迹。利用这一算法设计了基于视觉的机械臂跟随系统,系统主要包括控制系统、软件模块和硬件结构3个部分。搭建了机械臂目标跟随实验平台,利用摄像头通过LabVIEW 2018软件的视觉模块完成目标物体的快速识别与定位,得出目标物体的坐标位置,然后由LabVIEW程序运算得到机械臂各关节转动角度,通过舵机控制板实现关节舵机的特定运动,最终实现机械臂对目标物体的准确跟随。

基于改进Faster R-CNN的水面漂浮物识别与定位

为了解决智能无人船水面漂浮物识别和定位精度不高的问题,提出了一种基于Faster R-CNN(Faster Regions with Convolutional Neural Network)的改进识别与定位算法(CA-Faster R-CNN).该方法采用Faster R-CNN算法对水面漂浮物进行初次识别和定位,对输出的识别结果与定位框采用类别激活网络(Class Activation,CA)去除边界框,运用像素点来标注目标位置.实验结果表明,该算法具有较高的识别与定位精度,可用于水面漂浮物识别和定位.此外,该算法对于其他与水面漂浮物具有相似特征的小目标物体定位有一定的借鉴作用.

对我国全日制专业学位研究生培养目标的检视

研究生教育作为我国高等教育的一个重要方面，对高等教育的发展和建设具有重要的意义。而专业学位研究生培养作为研究生学位体系的一部分，对研究生体系的建设和质量的提高起到至关重要的影响。然而，就目前我国专业学位研究生的发展现状来看，还存在一些尚待解决的问题。尤为重要的就是专业学位研究生的培养目标不明确，导致培养过程出现许多短板．不仅降低了研究生教育的质量．而且对整个教育和社会发展也产生了一定的影响。因此，注重提升专业学位研究生的培养质量和学术品位及文化品位，提高专业学位研究生毕业生的社会认可度将是培养专业学位研究生的重点，而这些都应当渗透到专业学位研究生的培养目标中。所以，明确专业学位研究生的培养目标，提升注重专业教育和学术质量的理性认识．对全日制专业学位的研究生培养具有重要的意义。

基于深度学习的机器人疏果前毛桃目标识别方法

为实现自然环境下疏果前期毛桃目标的识别,提出了基于Faster R-CNN的毛桃目标识别方法,设计的网络由ResNet-50特征提取网络、区域生成网络和感兴趣区域子网组成,并以ResNet-50为基础网络,用来提取目标特征。工作时,区域生成网络依据ResNet-50提取的特征生成感兴趣区域,感兴趣区域子网依据目标特征和感兴趣区域进行毛桃的识别与定位;对图像进行扩增后,随机选取1920幅作为训练集、240幅作为验证集。用测试集中的240幅图像对模型进行测试,结果表明:目标识别方法能有效识别出自然环境下的毛桃目标,准确度为92.97%,误识率为7.03%,召回率为84.62%,平均检测速度为0.189s/幅,可实现疏果前期毛桃目标的识别,模型具有较好的鲁棒性和泛化能力。

改进多层尺度特征融合的目标检测算法

为提高小目标检测任务的准确率和稳定性,解决SSD(single shot MultiBox detector)算法在小目标识别和定位过程中准确率较低的问题,基于SSD算法提出一种改进方法。在原始的SSD卷积网络结构上进行修改和优化,通过特征图之间的特征融合,重构卷积预测特征图上的物体特征信息。考虑到网络复杂度增加带来的数据分布变化的影响,加入批量归一化BN(BatchNorm)层。在PASCAL VOC2007数据集和生活用品(Supplies Dataset)数据集上的实验结果表明,改进算法的mAP相比原始SSD分别提高了10.4%、15.1%。鉴于网络融合带来的参数增加,改进算法的检测速度仍表现良好,符合算法的实时性要求。

基于Faster R-CNN的交通警察目标检测研究

针对自动驾驶技术的高速发展与日渐复杂的交通系统网络缺少能够准确检测与定位交通警察的方法,将基于深度学习对在复杂环境中交通警察的准确检测与定位进行研究,该研究一方面对于有效保障交通警察的人身安全和提高通行效率具有积极的促进作用,另一方面为后续的交通警察手势的识别提供重要的检测基础。但是在实际的应用当中交通警察一般处于复杂的场景当中,比如干扰人群、强光环境、复杂的天气,都会对交通警察的准确检测与定位造成影响。因此,该文首先通过对交通警察图像去噪和Gamma曲线校正的预处理方式来增强图像中的关键特征信息并排除噪声对图像的影响,然后分别对基于SSD网络模型的方法、基于HOG特征提取和SVM分类的方法、基于Faster R-CNN网络模型的方法进行实验,然后对三种方法进行对比,得出了基于Faster R-CNN网络模型的检测速度为61.523 ms,检测准确率为98.75%,均高于其他两种方法。

基于SURF+RANSAC的双目立体视觉目标识别与抓取

针对单目视觉处理简单、无法获取获取三维维空间数据的问题,提出一种双目立体视觉目标识别和抓取方法。结合SUR算法和RANSAC算法对图像进行匹配,以滤除图像中的"外点";利用仿射变换获取关键点信息及形心坐标,根据立体重建原理实现目标测距与定位,最终完成抓取任务。实验结果表明:采用距离辅助坐标定位法可以准确识别目标物体并获得距离信息,实现准确定位。