智能建筑中高效网络布线技术的研究

当前,智能建筑开始出现在人们的视野中,其所具备的功能优势极为明显,而在智能建筑施工环节中,高效应用网络布线技术,是一项较复杂且重要的工程。网络布线工作的有序开展,需要电气保护技术的支持。通过高效网络布线给建筑物提供信息传播途径,可以达成智能化传递信息、管理控制的目的,因此要做好研究分析工作。在设计智能化高效网络布线时,需考虑建筑物实际需求,制定科学合理的方案,进一步提高智能化高效网络布线设计的施工质量。基于此,智能建筑中网络布线技术的有效应用,能提高整体建筑物的综合质量与水平。

基于动态高效网络的花粉图像识别模型

针对花粉图像清晰度不足、形状相近等特性所导致的识别精度低、人工识别低效的问题,提出一种基于动态高效网络的花粉图像识别模型。在ImageNet数据集上使用Noisy Student方法对EfficientNet进行预训练;将训练后的权重迁移到花粉识别模型中;引入动态学习率提升模型的识别精度。采用MixUp和GridMask的方法用于花粉图像数据增强。仿真结果与其它模型进行比较,验证了提出模型具有更好的分类效果。

一种蚁群分布进化的高效网络安全防护方法

网络系统的安全访问是网络技术发展中必须解决的首要问题。传统的网络系统安全访问控制方法采用基于统计学的数据分析方法,在对网络访问数据进行统计分析的基础上,分类识别网络系统的正常访问数据和异常数据,此方法网络防护效率低。提出一种蚁群分布进化的高效网络安全防护方法,首先将所有的访问数据分层,然后采用蚁群分布算法对每个单独的数据群进行处理,在蚁群分布处理的基础上,迭代实现系统的数据识别,达到高效网络防护的目的。最后采用实际访问数据进行测试实验,结果显示,采用蚁群分布进化算法,网络系统的安全性能提高,具有很好的应用价值。

基于Efficient高效网络的目标检测和识别

深层的卷积网络结构可以提升目标的检测准确率,但带来大量的参数运算,对计算机的计算资源要求比较高。为使目标检测算法可以应用到计算资源较小的移动端设备且保持目标检测和识别精度,本文将一种轻量级特征提取网络Efficient-B0与多尺度融合模块FPN相结合,在YOLOv3预测网络上对目标进行检测。实验结果表明,在有限的计算资源下,该目标检测算法参数量更少,运算效率更高。改进的目标检测网络更适合移动端设备,检测速度快、漏检率低、鲁棒性强。

高效网络从路由器开始

引言：路由器作为数据通信网络，尤其是 IP网络中必不可少的网络组件，越来越受到人们的普遍重视，其性能好坏直接影响到数据通信网络的性能。目前，最先进的路由器已将第二层的信元 /帧交换功能和第三层的智能路由与可伸缩性功能融为一体，提供高达千兆位的端口速率、服务质量（ QoS）和多点广播（ Multicasting）能力，不断满足多媒体通信网络的需要。

英特尔推出高效网络存储产品

在台北举行的英特尔信息技术峰会上，英特尔推出为其标准化网络存储产品系列开发出纳新型基础模块。这些产品可降低接入、管理和存储数据保护解决方案的成本。

用于单图像超分辨率的全局特征高效融合网络

现有图像超分辨率网络中普遍存在对层间特征利用水平较低的现象,使得在图像重建过程中有细节特征丢失,最终处理结果纹理模糊、图像质量欠佳。为此提出一种用于图像超分辨率的全局特征高效融合网络模型。主体使用对称卷积神经网络实现浅层特征的逐级提取,并结合Transformer完成浅层与深层特征的融合利用。设计的对称自指导残差模块可以在浅层网络实现不同层间特征更具表达性的融合,同时提升网络的特征提取能力;特征互导融合模块可以增强网络对浅层特征与深层特征的融合能力,促进更多的特征信息参与到细图像重建过程。在Set5、Set14、BSD100和Urban100数据集上同近年来的经典网络(HR、CARN、IMDN、MADNet、LBNet)进行性能对比,实验结果表明:所提网络模型在峰值信噪比上有所提升,并在视觉直观对比中取得了较好的图像超分辨率效果,可改善超分辨率图像质量欠佳的问题。

基于高效的动态网络垃圾图像分类模型研究

环境问题是一个非常严峻的全球性问题,而垃圾分类是一种保护环境的有效措施。针对现有的垃圾分类网络无法根据样本分类的难易程度动态平衡计算资源和识别准确率低等问题,提出了一种高效的动态垃圾分类网络DynamicGarbageNet。该网络基于MobileNetV2设计了一种动态的轻量化主干网络,并由三个深度依次递增的子网络组成。利用迁移学习技术优化模型参数,进一步提高精度。实验结果表明,DynamicGarbageNet在华为云垃圾分类数据集上的准确率为95.7%,速度为90FPS,均高于MobileNetV2。

基于生物脑网络连接特性的高效神经网络算法

人工神经网络发展至今,已经在计算机视觉、类脑智能等方面得到广泛应用.在过去几十年中,人们对神经网络的研究注重追求更高的准确率,从而忽略了对网络计算成本的控制.而人脑作为高效且节能的网络,其对人工智能的发展起到了重要启示作用.如何仿真生物脑网络的连接特性,建立超低能耗的人工神经网络模型实现基本相同的目标识别正确率成为当前研究的热点.为建立低能耗的人工神经网络模型,本文结合大脑网络的连接特性,通过改变人工神经网络的连接实现网络的高效性.实验结果表明,结合生物脑网络的连接特性,改变网络的连接,很大程度上减少了网络的计算成本,而网络的性能并没有受到明显影响.

基于改进Res-UNet的昼夜地基云图分割网络

针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题,提出一种基于改进Res-UNet(Residual network-UNetwork)的昼夜地基云图分割网络CloudRes-UNet(Cloud ResNet-UNetwork),整体采用编码器-解码器的网络结构。首先,编码器使用ResNet50提取特征,增强特征提取能力;其次,设计多级特征提取(Multi-Stage)模块,该模块结合分组卷积、膨胀卷积和通道打乱这3种技巧,获取高强度语义信息;再次,加入高效通道注意力(ECA‑Net)模块,在通道维度上聚焦重要信息,加强对地基云图中云区域的关注,提高分割精度;最后,解码器使用双线性插值对特征进行上采样,提高分割图像的清晰度并减少目标和位置信息丢失。实验结果表明,与当前基于深度学习表现较好的地基云图分割网络(Cloud-UNet)相比,CloudRes-UNet在昼夜地基云图分割数据集上的分割准确率提升了1.5个百分点,平均交并比(MIoU)上升了1.4个百分点,更准确地获取了云量信息,对天气预报、气候研究和光伏发电等方面具有积极意义。

Rapider-YOLOX:高效的轻量级目标检测网络

作为一种轻量级网络结构,YOLOX-Nano具有运行速度快的优势。然而,该网络在实际应用中仍然存在特征提取能力较弱、检测精度不足的缺陷。为此,提出了一种综合平衡检测速度和检测精度的高效目标检测网络Rapider-YOLOX。首先,设计高效瓶颈模块,以提升原始YOLOX-Nano模型中深度卷积模块的特征提取能力。其次,设计软空间金字塔池化模块,以避免原始SPP模块容易出现丢失部分重要信息的现象,进一步提升多尺度信息融合及通道间信息交流的能力。最后,引入CIoU损失,利用预测框与真实框的中心距离及宽高比提升预测框的位置精度。在PASCAL VOC2007数据集上的实验结果表明,提出的Rapider-YOLOX模型的mAP达到77.92%,比原始YOLOX-Nano高3.79%。此外,在CUDA核心数仅为384的GT1030上,FPS达到45.40,在CPU上FPS也可达到23.94,从而在确保网络轻量级特性的同时,进一步提升了网络的检测精度和泛化性能。

基于高效神经网络的框架结构节点损伤的多重分步识别方法

提出了基于神经网络的框架结构节点损伤的多重分步识别方法,建立了用于框架结构节点损伤识别的高效神经网络法。根据节点损伤的多重分步识别思路,把节点损伤识别主要分为四步:第一步利用神经网络建立损伤异常过滤器对节点损伤进行预警;第二步以频率构造的组合指标作为神经网络输入向量,对节点损伤进行初步定位;第三步以归一化的应变模态差绝对值作为神经网络输入向量,对节点损伤进行具体定位;第四步以应变模态差绝对值作为神经网络输入向量,对节点损伤程度进行识别。针对三跨四层的框架结构进行了节点损伤识别数值模拟,结果表明:应用神经网络技术,采用多重分步识别方法,简化了网络的结构,能够有效地对框架结构节点损伤进行预警、定位和定量。

高效运算网络在作物叶部病害识别中的研究

卷积神经网络模型参数冗余太大,收敛速度慢,对硬件计算资源要求过高,导致适用性差,不适合布署在边缘侧的嵌入式设备上,且大多数识别模型鲁棒性差,在复杂环境下识别效果不佳。为解决以上问题,设计两个基本模块用于搭建病害识别网络:一是高效残差模块,采用残差和多种卷积分解结构,在保证识别精度的情况下简化模型;二是恒等残差模块,用于加深网络层次,提升网络的拟合能力和抗干扰能力。搭建的高效运算网络对简单背景下的多种作物病害进行识别,训练集的准确率达到99.37%,验证集的准确率达到98.48%。优化损失函数后,训练集和验证集的准确率均在99%以上,收敛速度加快,参数内存仅3.15 MB,降低硬件计算力(FLOPs)的要求到1.71 M。将提出来的模型在复杂背景下进行测试,识别准确率均达到92.6%,且硬件计算力需求,参数内存,识别精度均优于MobileNet和ResNet,为实时检测作物病害提供参考。

带钢表面缺陷的RepVGG网络改进及其识别

对带钢表面缺陷准确快速识别是带钢外观质量评价的一项重要内容,应用深度学习进行带钢表面缺陷识别是一个持续的热点。提出了一种基于改进RepVGG网络的带钢表面缺陷识别方法。首先为提高RepVGG网络在带钢表面缺陷识别中的稳定性和准确率,该方法引入了高效通道注意力(Efficient Channel Attention,ECA)网络,然后为了防止神经网络训练中神经元坏死,使得神经元参数得不到更新,应用了高斯误差线性激活函数。在测试集上,改进RepVGG网络对带钢表面缺陷的识别率达到了99.94%,而其运行速度并没有降低,单张图片的平均检测时间为5.4 ms。

基于嵌入式设备高效卷积神经网络的电力设备检测分析

笔者提出的卷积神经网络所对应的计算流程具有较高的复杂度,为了突破嵌入式设备资源的限制,现提出一种高效卷积神经网络电力设备检测方法。基于红外图像目标检测相关理论知识,完成对目标检测模型的科学设计。从数据集、硬件环境、结果分析3个方面入手,对卷积神经网络的高效性和可靠性进行实验验证。结果表明,所提出的卷积神经网络电力设备检测算法具有较高的可靠性和有效性,符合嵌入式设备视频处理相关标准和要求。通过这次研究,希望能为相关人员提供借鉴。

一种高效的车体表面损伤检测分割算法

车体表面损伤检测是计算机视觉中的经典问题。车体表面损伤检测的主要瓶颈在于图像中损伤实例的不同尺度影响了分割的精度与效率。本文采用单阶段语义分割网络(YOLACT^(++))进行车体表面的损伤检测,通过结合EfficientNet设计主干网络提高分割效率,并通过改进损失函数优化YOLACT^(++)中目标实例Mask的生成,实验中用深度学习标注实验数据集进行训练测试。实验表明,改进后的YOLACT^(++)降低了Mask生成误差,检测的实时帧率提高到35帧/s,同时也提高了YOLACT^(++)进行实例分割的精度。

全媒体时代高校网络党建“立体化”模式研究

在"全媒体"时代背景下,高校作为培养人才的重要阵地,在全面从严治党,全面深化改革的今天,其党建工作面临严峻考验。本研究以"全媒体"时代为背景,探讨国内高校网络党建工作的新模式、新机制。本文首先阐述了我国高校网络党建研究的时代意义,接着对我国高校网络党建工作的发展现状、特点做了简要阐述,并重点剖析了存在的突出问题,从而为探索相关工作模式指明方向。基于"全媒体"时代背景和高校党建工作特点,提出了"立体化"网络党建工作的创新模式。最后,分析了党建工作的相关注意点。

飞机结构X射线裂纹图像智能评定

飞机结构X射线图像评定过程存在复杂背景下裂纹分割不准确、检出难等问题。基于高效层聚合网络提出一种飞机结构X射线裂纹图像智能评定模型(ELAN-Seg),将ELAN-Seg模型和DeepLabv3+模型的射线图像裂纹分割能力进行对比,结合图像处理技术对模型分割的裂纹长度进行评估,利用飞机强度试验及外场维护过程采集的X射线图像对模型进行验证。结果表明:分割的最小裂纹长度约为3 mm,ELAN-Seg模型对复杂背景射线图像裂纹分割更加准确,裂纹漏检率小于3.8%,该模型具有工程适用性。

高校计算机网络实验室的规划与设计

本文首先对目前高校计算机网络实验室规划设计的现状进行了分析,然后分析了在规划设计中应该遵循的目标和原则,根据某校的实际情况,对该校的计算机网络实验室进行规划设计,最后对所规划涉及到系统的特点进行了分析总结,以供参考。

高校网络社区在思政教育中的作用研究

本文对高校网络社区对于高校思想政治教育工作的作用及其发展进行了分析。首先，对于高校网络社区在高校思想政治教育中的作用进行了介绍分析；第二，对新技术背景下高校网络社区的变革进行了分析与研究。希望对高校网络社区的进一步发展有一定的帮助。