高中生物学跨模块专题式二轮复习的教学策略

本文介绍了跨模块专题式二轮复习的教学策略,阐述了该教学策略的优点,旨在提高高三生物学复习课的教学效率。

一种基于jQuery的跨模块通信机制的改进方案

随着互联网技术的迅速发展,互联网产品在不断迭代的过程中也向着复杂化发展。目前,Web前端产品已经成为互联网产品的一个重要分支,本文研究了Web前端的开发模式。在模块化开发的基础上,提出了传统的基于j Query的跨模块通信机制的不足,给出了一种基于j Query的改进的跨模块通信机制的解决方案,为开发人员提供了跨模块通信机制的一种设计思路。

基于跨通道交叉融合和跨模块连接的轻量级卷积神经网络

针对传统卷积神经网络参数量过多、计算复杂度高的问题,提出了基于跨通道交叉融合和跨模块连接的轻量级卷积神经网络架构C-Net。首先,提出了跨通道交叉融合的方法,它在一定程度上克服了分组卷积中各分组之间存在缺乏信息流动的问题,简单高效地实现了不同分组之间的信息通信;其次,提出了一种跨模块连接的方法,它克服了传统轻量级架构中各基本构建块之间彼此独立的缺点,实现了同一阶段内具有相同分辨率特征映射的不同模块之间的信息融合,从而增强了特征提取能力;最后,基于提出的两种方法设计了一种新型的轻量级卷积神经网络架构C-Net。C-Net在Food101数据集上的准确率为69.41%,在Caltech256数据集上的准确率为63.93%。实验结果表明,与目前先进的轻量级卷积神经网络模型相比,C-Net降低了存储开销和计算复杂度。在Cifar10数据集上的消融实验验证了所提出的两种方法的有效性。

新教材跨模块组合类主观题探析

2019年新教材在北京等6个省份正式启用,政治学科高考正式进入新教材时代,新教材的逻辑体系变化使得高考出现了新题型——跨模块组合类试题。跨模块组合类主观题不仅可以满足国家和社会培养与选拔创新人才的需要,也是促进基础教育与高等教育接轨、对学生未来发展负责的必然要求。通过把握跨模块组合类试题的类型及其特点,发现其解题的关键在于:一方面我们在复习教材知识时要高度重视模块间的知识联系,帮助学生有意识地打破模块限制、建立系统的知识体系;另一方面,要引导学生完成课本知识与试题信息的有效整合,实现记忆与运用的完美融合。

基于跨专业教学模块的课程思政设计——以军事护理基础操作技术课程为例

旨在落实新时代军事教育方针和习近平主席关于“三全育人”的指示精神,着眼现代战争特点、结合学校办学定位,以军事护理基础操作技术课程为例,探索构建由教学管理人员、教学评价人员和授课人员组成的跨专业教学模块的课程思政实践途径。结果显示,该课程思政实践途径在科学性、有效性、可行性、灵活性和借鉴性方面具备较强的优势。

跨级融合门控自适应网络用于视网膜血管分割

针对现有多数算法对浅层特征提取不足,导致分割结果中血管边界模糊、毛细血管欠分割且包含噪声等问题,提出一种跨级融合门控自适应网络。该网络中的密集门控通道变换模块,通过促进通道之间的竞争或协同关系充分提取浅层特征信息,避免浅层粗粒度特征信息丢失;通过跨层次融合模块捕获各层跨维度交互信息,有效聚合多尺度上下文特征;采用双自适应特征融合方法有效引导相邻层次特征融合,抑制噪声。在公共数据集DRIVE、CHASEDB1和STARE上进行验证,结果表明:所提网络准确率分别为0.9652、0.9668和0.9695,F_(1)值分别为0.8544、0.8152和0.8412,在多个指标上均处于较高水平,优于现有先进算法。

基于BiFormer与跨尺度相关性计算的高精度复制移动篡改检测网络

针对目前复制移动伪造检测(Copy-Move Forgery Detection, CMFD)网络难以同时有效地检测不同尺度的篡改区域的问题,提出了一种融合了BiFormer与跨尺度相关性计算模块的U型网络BCSU-Net。不同于已有的CMFD网络采用卷积骨干网络提取局部特征,BCSU-Net采用BiFormer捕获像素之间的长距离依赖关系,以更好地提取特征图中的高相关性特征。此外,还提出了跨尺度相关性计算模块,来计算不同尺度的特征之间的相似度,从而帮助模型更准确地定位出Copy-Move伪造图像中的篡改区域。与现有方法相比,BCSU-Net在COVERAGE和CoMoFod数据集上表现出更优的性能。

新跨接双极三电平子模块拓扑及其控制策略

基于半桥型子模块拓扑的模块化多电平换流器不具备直流短路故障电流阻断能力,影响了低成本架空线的应用。为抑制直流故障时的短路电流,研究了一种新跨接单极三电平子模块拓扑,解决了混合拓扑中电容不均衡充电问题。然后为应对子模块闭锁对换流站和电网可能产生的不利影响,设计了一种新跨接正、负极三电平子模块拓扑,并分析了其过调制运行、降直流电压运行和桥臂电流方向变化工况时所提拓扑的正、负电平输出要求,进一步减少了子模块中功率器件数量并研究了其控制策略。最后在PSCAD/EMTDC中搭建仿真模型,对所提新跨接双极三电平子模块拓扑过调制运行、自均压特性及闭锁抑制特性进行了仿真验证。仿真结果表明,所设计的拓扑及控制策略能够有效抑制直流故障时的短路电流。

同尺度和跨尺度增强的U-Net用于视网膜血管分割

视网膜血管的自动分割技术有助于早期诊断和治疗与视网膜相关的疾病。由于视网膜血管结构复杂且精细,眼底图像存在着低对比度、光照不均以及病理性渗出物等因素的干扰,导致该任务仍然具有挑战性。针对该任务主流框架U-Net中未考虑全局语义依赖关系以及编码器和解码器之间的语义鸿沟问题,提出了一种同尺度和跨尺度增强的U-Net模型。从两个角度对该模型进行设计:对于同一尺度的编码-解码层,一种空间增强的自注意力机制被嵌入到每个编码层中以增强模型的全局空间聚合能力,并进一步将其拓展到解码端来缓解解码过程中上采样操作带来的信息丢失等问题;对于不同尺度的编码-解码层,引入了一种新颖的跨尺度融合模块,通过动态地选择最深层中丰富的特征信息来增强与其它层之间的语义交互,从而进一步弥合编码器和解码器之间的语义鸿沟。在DRIVE、CHASE_DB1和STARE三个视网膜标准数据集上进行了实验验证,实验结果表明I2A-Net能有效地分割出视网膜血管结构,相比与基线模型,在各项评价指标上均取得了较高的提升。

改进YOLOv4的遥感图像目标检测算法

为有效解决遥感图像目标检测算法在复杂背景下的检测效果不佳的问题,提出一种改进YOLOv4的目标检测算法。设计一种跨阶段残差结构,替换原主干网络的简单残差结构,降低模型参数量和计算负担;引入CBAM注意力机制,加强CSP模块间有效特征交互;使用跨阶段分层卷积模块重构特征融合阶段对深层特征图的处理方式,防止网络退化和梯度消失;采用Mish激活函数,增强融合网络对非线性特征的提取能力。在RSOD、DIOR数据集上的实验结果表明,改进YOLOv4算法的测试mAP相比原YOLOv4算法分别高出4.5%、7.3%,其检测速度分别达到48 fps、45 fps,在保证实时性的同时检测精度有较大提升。

基于深度学习的三维肿瘤及器官分割

针对三维医学图像中由于肿瘤或器官的形状、尺度差异较大导致分割精度较低的问题,提出一种端到端的三维全卷积分割模型。首先,设计空洞立方集成模块在不同分辨率阶段实现多尺度集成,增强复杂边界上的识别能力;其次,引入跨阶段上下文融合模块融合浅层和深层特征,促进收敛并更准确地定位目标对象;最后,解码器对来自编码器的特征进行拼接以实现分割。在脑肿瘤分割数据集上,平均Dice相似性系数值达到85.37%;在腹部器官分割数据集上,平均Dice相似性系数值达到83.99%。实验结果表明所提模型在三维肿瘤和器官的分割上具有较高精度。

基于改进Deformable DETR的无人机视频流车辆目标检测算法

针对无人机视频流检测中小目标数量多、因图像传输质量较低而导致的上下文语义信息不充分、传统算法融合特征推理速度慢、数据集类别样本不均衡导致的训练效果差等问题,提出一种基于改进Deformable DETR的无人机视频流车辆目标检测算法。在模型结构方面,该算法设计了跨尺度特征融合模块以增大感受野,提升小目标检测能力,并采用针对object_query的挤压-激励模块提升关键目标的响应值,减少重要目标的漏检与错检率;在数据处理方面,使用了在线困难样本挖掘技术,改善数据集中类别样本分布不均的问题。在UAVDT数据集上进行了实验,实验结果表明,改进后的算法相较于基线算法在平均检测精度上提升了1.5%,在小目标检测精度上提升了0.8%,并在保持参数量较少增长的情况下,维持了原有的检测速度。

基于RDN-YOLO的自然环境下水稻病害识别模型研究

针对自然环境下水稻病害识别准确度易受复杂背景干扰、病害类间差异小难以准确识别等问题,以提高水稻病害识别精度并进行模型的有效轻量化为前提,提出了一种水稻病害识别网络模型(RiceDiseaseNet,RDN-YOLO)。以YOLO v5为基本框架,在主干网络的特征提取阶段嵌入跨阶段部分网络融合模块(C2f),增强模型对病害特征的感知能力,并引入空间深度转换卷积(SPDConv),扩展模型的感受野,进一步提升模型对小病斑特征提取能力;在颈部网络嵌入SPDConv结构,并利用轻量级卷积GsConv替换部分标准卷积,提高颈部网络对病害部位的定位和类别信息预测的准确性及推理速度;以穗瘟病、叶瘟病、胡麻斑病、稻曲病和白枯病5种常见水稻病害为研究对象,在自然环境下采集水稻病害图像,制作水稻病害数据集,进行模型训练与测试。实验结果表明,本文模型病害检测精确率高达94.2%,平均精度均值达93.5%,模型参数量为8.1 MB;与YOLO v5、Faster R-CNN、YOLO v7、YOLO v8模型相比,模型参数量略大于YOLO v5,但平均精度均值最高约高12.2个百分点,在一定程度上减轻模型复杂度的同时获得良好的水稻病害识别效果。

基于双向嵌套级联残差的交通标志检测方法

交通标志检测是自动驾驶领域的一个重要课题,其对于检测系统的实时性和精度都有非常高的要求。目标检测领域中的YOLOv3算法是业界公认在精度和速度上都处于前列的一种算法。文中以YOLOv3检测算法作为基础网络,提出一种双向嵌套级联残差单元(bid⁃NCR),替换掉原网络中顺序堆叠的标准残差块。双向嵌套级联残差单元的两条残差边采用相同的结构,都是一次卷积操作加上一次级联残差处理,两条边上级联的标准残差块的数量可以调节,从而形成不同的深度差。然后将两条边的结果逐像素相加,最后再做一次卷积操作。相较于标准残差块,双向嵌套级联残差单元拥有更强的特征提取能力和特征融合能力。文中还提出跨区域压缩模块(CRC),它是对2倍率下采样卷积操作的替代,旨在融合跨区域的通道数据,进一步加强主干网络输入特征图所包含的信息。实验结果表明:提出的模型在CCTSDB数据集上mAP(0.5)、mAP(0.5∶0.95)分别达到96.86%、68.66%,FPS达到66.09帧。相比于YOLOv3算法,3个指标分别提升1.23%、10.35%、127.90%。

学科大概念多重层级下的主题大概念教学路径——以人教版(2019版)选择性必修2《物质结构与性质》为例

构建学科大概念统领的课程内容体系,是义务教育阶段和普通高中阶段课程改革的重大创新。基于学科大概念的多重层级及其与特定主题内容的融合,提出主题大概念教学,是解决课程内容组织的结构化和建立学科基本观念的一般路径。化学学科大概念让学生能够在更高的认知层面理解具体知识背后的更为本质的观念,促进化学学科核心素养的落实,为学生的终身发展提供支持。

基于PPI分析新型冠状病毒(SARS-CoV-2)受体ACE2在高血压靶点中的网络关联影响

目的基于PPI网络探讨新型冠状病毒(SARS-CoV-2)受体ACE2在高血压靶点中的网络关联影响及相互作用关系,为临床治疗COVID-19合并高血压提供理论参考。方法从GeneCards、DisGnet、OMIM和TTD数据库检索高血压靶点,通过关联分数筛选重要靶点,将所得靶点统一导入String平台,得到蛋白相互作用(PPI)网络,利用Cytoscape3.8.0筛选与ACE2最为直接相关的靶点后,再次通过String数据库获取新的PPI网络,提取该网络中的核心蛋白功能模块,并完成GO、KEGG富集分析。参考ACE2在各模块中的评分结果,分析其在整体网络结构中的影响意义和关联。结果最终从高血压靶点中筛选得到33个与ACE2直接相关的蛋白,通过聚类分析发现它们共聚集形成了3个功能模块,主要涉及的生物学功能是管径调节、激素水平调节与内分泌调节,分子功能分别是执行调控受体调节子活性、外肽酶活性与激素活性,而主要富集的通路有神经活性配体受体相互作用、肾素-血管紧张素系统信号转导途径等。评分结果显示,ACE2所在模块内评分较高的是ACE2、CAT、DPP4、ACHE、CMA1,提示它们对其他蛋白模块的影响可能更大;而在跨模块关联分析中则发现AGT、AGTR1、EDN1、ALB与AGTR2评分较高,说明上述蛋白可能是模块3与其他模块发生相互作用的关键节点。结论ACE2在高血压靶点网络中占据重要地位,而RAS是连接COVID-19与高血压病的核心枢纽,其失衡是引起单纯COVID-19患者发生血压升高或COVID-19合并高血压出现高致死率的关键所在。ACE2通过与CAT、ACHE、CMA1、EDN1等蛋白的交互作用参与升高血压,同时与COVID-19相联系,但其上调是否有助于SARS-CoV-2入侵以及ACEI、ARB类在合并高血压的COVID-19患者的应用仍有待验证。

一种面向室内场景的语义分割网络

现有RGB-D语义分割方法难以充分地融合深度信息来实现对复杂场景的语义分割,为了能更精确地在室内场景RGB图中进行识别内部物体,提出一种基于通道注意力机制的非对称三分支结构型卷积网络语义分割模型。该方法能选择性地从RGB图和深度图像中收集特征。先构建了一个具有三个并行分支的体系结构,并添加了三个互补的注意模块。且运用了双向跨模块特征传播策略,不仅可以保留原始RGB图像和深度图像的特征,还能充分利用融合分支的深度特征。在两个室内场景数据集(NYUDv2数据集和SUN-RGBD数据集)进行了对照实验和消融研究。结果表明,所提出的模型与目前最好的表现方法注意力互补网络(ACNet)对比下,像素精度、平均像素精度、平均交并比分别提高了0.9%、1.3%、1.7%,在镜子、书本、箱子等小物体的语义分割交并比指标提高了7.2%、9.6%、11.2%。验证了提出的模型在处理室内场景具更强的适用性。

面向大规模多类别的病虫害识别模型

早期病虫害精准识别是预警和防控的关键,但是病虫害种类繁多数量巨大,外部形态存在类间相似度较高而类内差异性较大等性状特征,导致病虫害识别仍然是一项极具挑战的工作。为实现病虫害识别分类任务中差异化特征的提取和表示,该研究提出一种大规模多类别精细病虫害识别网络模型(a large-scale multi-category fine-grained pest and disease network,PD-Net)。首先通过在基准网络模型中引入卷积块注意力模型,通过混合跨特征通道域和特征空间域实现模型在通道和空间两个维度上对关键特征提取和表示,用以增强网络对差异化特征的提取和表示能力。其次引入跨层非局部模块,提升模型在多个特征提取层之间对于多尺度特征的融合。在61类病害数据集和102类虫害数据集上的试验结果表明,对比AlexNet、VGG16、GoogleNet、Inception-v3、DenseNet121和ResNet50模型,该研究提出的面向大规模多类别病虫害识别模型,Top1识别准确率在病害和虫害集上分别达到88.617%和74.668%,精确率分别达到了0.875和0.745,召回率分别达到0.874和0.738,F1值达到0.874和0.732,试验结果对比其他模型均有一定幅度的提升,验证了PD-Net模型在大规模多类别病虫害识别上的有效性。

ERP固定资产与设备及物料主数据关联策略研究

ERP系统目前已在国内大型企业中广泛应用,作为支持这套先进管理信息系统有效使用的基础部分,主数据准确、实时、有序管理尤为重要。目前ERP系统固定资产、设备、物料主数据的管理归属不同模块,自成体系,相互关联度不高,数据挖掘受限。结合样本企业管理实务,展开对ERP系统固定资产、设备、物料主数据关联策略的研究与实践。

μReTi:小尺寸实时嵌入式系统的TCP/IP精简化研究

通过分析TCP/IP协议的不同简化实现,提出TCP/IP协议的精简策略与设计准则。采用基于模块化的跨层设计思想,实现一套TCP/IP协议简化版本—μReTi。μReTi采用静态的内存预分配与管理机制优化系统数据结构,采用宽松的分层机制以及"后门"技术减少数据复制并重用共享内存。通过在不同架构感知节点上移植μReTi,评测分析μReTi的性能,验证其低资源消耗的特点。