引入上下文信息和Attention Gate的GUS-YOLO遥感目标检测算法

目前基于通用YOLO系列的遥感目标检测算法存在并未充分利用图像的全局上下文信息,在特征融合金字塔部分并未充分考虑缩小融合特征之间的语义鸿沟、抑制冗余信息干扰的缺点。在结合YOLO算法优点的基础上提出GUS-YOLO算法,其拥有一个能够充分利用全局上下文信息的骨干网络Global Backbone。除此之外,该算法在融合特征金字塔自顶向下的结构中引入Attention Gate模块,可以突出必要的特征信息,抑制冗余信息。另外,为Attention Gate模块设计了最佳的网络结构,提出了网络的特征融合结构U-Net。最后,为克服ReLU函数可能导致模型梯度不再更新的问题,该算法将Attention Gate模块的激活函数升级为可学习的SMU激活函数,提高模型鲁棒性。在NWPU VHR-10遥感数据集上,该算法相较于YOLOV7算法取得宽松指标mAP^(0.50)1.64个百分点和严格指标mAP^(0.75)9.39个百分点的性能提升。相较于目前主流的七种检测算法,该算法取得较好的检测性能。

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

基于特征复用机制的航拍图像小目标检测算法

针对无人机(UAV)航拍图像检测存在的小目标检测精度低和模型参数量大的问题,提出轻量高效的航拍图像检测算法FS-YOLO.该算法以YOLOv8s为基准网络,通过降低通道维数和改进网络架构提出轻量的特征提取网络,实现对冗余特征信息的高效复用,在较少的参数量下产生更多特征图,提高模型对特征信息的提取和表达能力,同时显著减小模型大小.在特征融合阶段引入内容感知特征重组模块,加强对小目标显著语义信息的关注,提升网络对航拍图像的检测性能.使用无人机航拍数据集VisDrone进行实验验证,结果表明,所提算法以仅5.48 M的参数量实现了mAP0.5=47.0%的检测精度,比基准算法YOLOv8s的参数量降低了50.7%,精度提升了6.1%.在DIOR数据集上的实验表明,FS-YOLO的泛化能力较强,较其他先进算法更具竞争力.

住院医师规范化培训师资队伍能力提升路径探讨

住院医师规范化培训(简称“住培”)指导医师的综合能力和素质是培养优秀住院医师的重要保障,也是影响住培质量的关键要素。随着我国住培管理制度的不断完善,住培师资队伍能力提升最主要的途径已不仅限于师资培训,骨干师资培育计划也逐渐成为高效提升住培师资能力的创新途径。骨干师资培育计划将住培师资培养目标进行了更加细致的划分,指导医师以自身教学业绩及教学能力水平等为基础,通过开展一系列的教学活动逐步提高综合教学能力。教学管理部门组织专家通过遴选体系、培训体系、考核体系对骨干师资培育对象进行严格的三级培育体系管理,严把入口、过程、出口三个关键环节,强调过程管理和目标考核,并引入住培督导反馈机制,同时配套资助及激励政策。骨干师资培育计划的开展探索了住培师资队伍建设的新途径,对逐步分层次提升住培师资能力提供新的思路。

重塑黄土的往返加卸载真三轴试验研究

针对不同应力路径往返加卸载条件下黄土累积塑性应变发展特性,以重塑黄土为研究对象,利用真三轴仪开展不同应力路径的往返加卸载试验研究,探究不同应力路径、应力幅值下黄土的循环应力时程曲线、滞回曲线、骨干曲线及累积塑性应变曲线的影响规律。揭示了应力路径对重塑黄土力学特性的影响,描述了各主应力与中主应力比b和应力幅值的相关性,提出了重塑黄土的滞回曲线近似呈椭圆形,长轴斜率随中主应力比b值的增大而增大,随应力幅值的增大而减小;随着中主应力比b值的增大,循环应力-应变骨干曲线随之硬化,累积塑性应变曲线依次降低,且累积塑性应变发展更早的进入平缓阶段,为解决相关黄土工程问题提供了参考。

ConvFormer:基于Transformer的视觉主干网络

针对主流Transformer网络仅对输入像素块做自注意力计算而忽略了不同像素块间的信息交互,以及输入尺度单一导致局部特征细节模糊的问题,本文提出一种基于Transformer并用于处理视觉任务的主干网络ConvFormer. ConvFormer通过所设计的多尺度混洗自注意力模块(Channel-Shuffle and Multi-Scale attention,CSMS)和动态相对位置编码模块(Dynamic Relative Position Coding,DRPC)来聚合多尺度像素块间的语义信息,并在前馈网络中引入深度卷积提高网络的局部建模能力.在公开数据集ImageNet-1K,COCO 2017和ADE20K上分别进行图像分类、目标检测和语义分割实验,ConvFormer-Tiny与不同视觉任务中同量级最优网络RetNetY-4G,Swin-Tiny和ResNet50对比,精度分别提高0.3%,1.4%和0.5%.

基于双流YOLOv4的金属表面缺陷检测方法

目前有许多学者使用深度学习进行表面缺陷检测研究,由于这些研究大都沿用主流目标检测算法的思路,注重高级语义特征,而忽视了低级语义信息(色彩、形状)对表面缺陷检测的重要性,因此导致缺陷检测效果不够理想。为解决上述问题,提出了一种金属表面缺陷检测网络——双流YOLOv4网络,骨干网络分成两个分支,输入分为高分辨率图像和低分辨率图像,浅分支负责从高分辨率图像中提取低级特征,深分支负责从低分辨率图像中提取高级特征,通过削减两分支的层数和通道数来减少模型总参数量;为了强化低级语义特征,提出了一种树形多尺度融合方法(Tree-structured Multi-scale Feature Fusion Me-thod,TMFF),并设计了一个结合极化自注意力机制和空间金字塔池化的特征融合模块(Feature Fusion Module with Polarized Self-Attention Mechanism and Spatial Pyramid Pooling,FFM-PSASPP)应用到TMFF中。在东北大学热轧带表面缺陷数据集NEU-DET、金属表面缺陷数据集GC10-DET和伊莱特电饭煲内胆缺陷数据集Enaiter的测试集上对所提算法进行了测试,测得的map@50结果分别为0.80,0.66和0.57,相比大部分主流的用于缺陷检测的目标检测算法均有提升,且模型参数量仅为原YOLOv4的一半,速度与YOLOv4接近,可满足实际使用需求。

苏南模式演进与发展

苏南模式是中国现代化经济发展中最有影响、最为成功的道路之一。苏南模式催生了:苏南模式乡镇集体经济代表——华西村的发展变迁;物质文明和精神文明相互促进、相得益彰共同成就的文明高地——张家港精神;不等不靠的苏南模式代表——昆山之路;新苏南模式走在前列创新演进的代表——苏州模式等多个鲜活的改革与发展创造样本。苏南模式如今是国资、外资、民资与股份制经济共同发展,是新时代中国特色社会主义市场经济的重要窗口。苏南模式的演进与发展,是发展经济学理论在中国的成功实践,苏南模式的最新发展,为构建中国发展经济学的理论体系,提供了丰富的实践土壤。

分级动荷载下土石混合体滞回曲线形态特征试验研究

城市回填区地层多以松散土石混合体形式存在,自身结构孔隙率大、强度低、工程性能较差,对隧道施工扰动和地铁列车运行等动载作用十分敏感。滞回曲线可反映土体在动荷载作用下的变形、刚度及能量耗散等特征,研究土石混合体滞回曲线对回填区地铁的施工和运营安全具有重要意义。利用KTLDYN伺服电机控制式动三轴试验系统,采用分级加载的方式对回填区土石混合体试样进行了循环荷载试验,研究了含石量P、含水率ω、固结应力比k_(c)和加载频率f对滞回曲线的形态特征(包括中心间距d、长轴斜率k、滞回曲线包围面积S和不闭合程度ε_(p))和骨干曲线的影响。研究结果表明:土石混合体的典型滞回曲线整体呈长梭形,两端呈尖叶状。d、S、ε_(p)随着振级的增加呈非线性增大,k随着振级的增加呈对数关系衰减。同一振级下,d和ε_(p)随着P、k_(c)和f的增大而减小,随着ω的增大先减小后增大;k随着P、k_(c)和f的增大而增大,随着ω的增大先增大后减小;S与P呈正相关,随着ω的增大先增大后减小,随着k_(c)和f的增大而减小。当动应变相同时,动应力和骨干曲线斜率均随P、k_(c)和f的增大而不断增大;随ω的增大先增大后减小。

在斗争精神传承中厚植新时代青年“三气”

斗争精神作为红色基因的重要组成部分,展现着中国共产党人和中国人民百年斗争历程中迎难而上、不畏艰险的精神面貌。在以中国式现代化全面推进中华民族伟大复兴的时代进程中,面对部分青年在斗争志气、斗争骨气、斗争底气中存在的不足,新时代的青年应不断锤炼斗争意志、学习斗争历史、掌握斗争本领,在弘扬斗争精神中传承红色基因,厚植新时代青年的志气、骨气、底气。

基于专业主干课程考核成绩的毕业要求达成度评价探讨——以资源勘查工程专业为例

毕业要求达成度评价是工程教育专业认证运行的重要环节。为了简便、有效地实施毕业要求达成度评价,本文在分析资源勘查工程专业课程体系的基础上,基于15门专业主干课程的成绩,运用层次分析法确定了各门课程的权重,计算了专业主干课程的计权分,并结合毕业设计成绩,从理论知识和专业实践两个方面,评价了毕业要求达成度。使用该方法得出的评价具有效性和客观性。

基于三重注意力的轻量级YOLOv8印刷电路板缺陷检测算法

在全球产业中,印刷电路板的生产和应用持续增长,已经成为各种电子设备的核心组成部分。由于缺陷尺度较小的问题以及检测模型轻便嵌入便携式设备的需求,印刷电路板图像的自动缺陷检测是一项具有挑战性的任务。为了满足智能制造和使用中对高质量印刷电路板产品日益增长的需求,提出一种基于YOLOv8的印刷电路板缺陷检测改进方法。首先,采用轻量级网络MobileViT作为主干网络,减小模型体积和计算量。其次,引入Triplet Attention模块,增强张量中不同维度间特征的捕捉能力。最后,将边界框损失函数替换为LMPDIoU,直接最小化预测框与实际标注框之间的左上角和右下角点距离。实验表明:改进后的检测模型能够在拥有极小参数量的同时保证小尺寸缺陷检测精度较高,模型参数量降低率为89.38%,满足轻便嵌入便携式检测设备和计算机资源受限的场景应用,证实了在印刷电路板缺陷检测领域具有良好的应用前景。

异地委托式骨干校长跟岗研修培训体系之探讨——以援疆项目为例

异地委托式骨干校长跟岗研修培训需要依据校长专业标准,结合委托方的组织要求与学员的培训需求来设计研修方案。其中跟岗研修的对象体系、内容体系、方法体系、基地体系及评价体系是培训设计的基础框架,对其进行系统研究是设计好培训的前提,也是提高培训实效性的关键。

大豆骨干亲本中豆41主要农艺性状的配合力分析

骨干亲本是新品种培育的重要种质材料,明确骨干亲本的配合力及遗传特点,可以为在育种中高效利用骨干亲本提供理论依据。本研究以骨干亲本中豆41和其他9个大豆材料为亲本,采用不完全双列杂交法组配30个杂交组合,分析杂种F1的10个产量和品质相关性状的配合力及遗传参数。配合力分析表明:中豆41具有较高的一般配合力(GCA),除蛋白质含量为负值外,其余9个性状的GCA均为正值,且均为10个亲本中最大值。中豆41组配的杂交组合大部分表现优异,具有较高的特殊配合力(SCA),在30个杂交组合中,中豆41×郑196、中豆41×新四粒黄和中豆41×中黄319在产量相关性状上均表现出较高的SCA。遗传分析表明,株高、主茎节数、有效分枝数、单株荚数、单株粒数、百粒重、单株产量、蛋白含量和脂肪含量主要受基因加性效应影响,底荚高度则受基因加性效应和非加性效应共同影响。本研究明确了大豆骨干亲本中豆41的配合力特点,为育种中高效利用中豆41提供了理论依据。

基于脊线自修正的蛇形机械臂逆运动学求解

绳索驱动的蛇形机械臂具有超冗余的运动特性,提高了自身的灵活性及避障能力。但由于机械臂存在大量的自由度,这使得其逆运动学求解变得非常复杂,导致难以实现实时运动规划。因此,文中提出了一种新型的蛇形机械臂逆运动学求解方法,通过优化脊线及关节角度求解,实现了机械臂高效和实时的运动规划。首先,搭建了蛇形机械臂运动学模型,建立了蛇形机械臂关节空间与工作空间的映射关系;之后,提出了基于多种群蚁群优化的参考脊线求解策略,并设计了移位修正法确定多任务点脊线的空间构型,减少了脊线复杂求解的计算。此外,通过考虑拟合信息和关节约束,设计了一种结合并行趋近式规则的关节优化调整方法,推导出了蛇形机械臂的关节角度,实现了关节的连续性变化。结果表明:所提出的逆运动学求解方法可以有效降低计算复杂度,保证关节角度的有效性和连续性,以及末端位姿信息的精确性。

基于YOLOv5s和双稳随机共振的夜间车辆检测算法

针对夜间车辆检测过程中光照不强导致漏检误检的问题,基于YOLOv5s和双稳随机共振提出一种改进的夜间车辆检测算法。YOLOv5s从4方面进行改进:1)在Backbone和Neck中更换细小结构,提高网络对小目标的检测能力;2)加入由坐标注意力CA和能量注意力SimAM构成的双注意力机制,提高网络对目标的特征提取能力;3)采用轻量化骨干Fasternet,减少模型参数量;4)在Head中采用WIoU损失函数,加快边界框回归损失的收敛速度。利用经典的双稳随机共振对夜间车辆数据集进行低照度图像增强,分析其有效性,并将增强后的夜间车辆图像传入改进的YOLOv5s网络进行训练。实验结果表明,相较于原始YOLOv5s,融合改进的YOLOv5s和双稳随机共振的夜间车辆检测算法在执行远景小目标以及密集遮挡的夜间车辆检测任务时具有更高的准确率和更低的漏检率。

国标麻将的多尺度骨干神经网络模型

在有多轮次、状态空间巨大、81种不同类别的番种、胡牌方式复杂的国标麻将中,普通的神经网络难以对复杂的数据进行表达和拟合。首次将多尺度骨干的深度神经网络用于实现麻将AI,以更好地捕获国标麻将的局部以及全局特征,适用于处理复杂数据,做出更准确的游戏策略。基于IJCAI 2020 Champion的对局数据,对训练数据进行数据增强。采用增强后的数据,在NVIDAI GeForce RTX3090 LapTop GPU上进行了5天的监督学习训练,训练出的模型有52 M参数,动作准确率达到93.47%,弃牌准确率达到83.93%,鸣牌准确率达到97.56%。将提出的模型部署到北京大学开发的Botzone平台上,进入天梯榜前1%。

复合主干融合的图像增强算法

基于深度学习的微光图像增强算法所生成的图像普遍存在噪声凸显和细节丢失等问题,而端对端深度学习算法的性能又在很大程度上依赖于骨干网络的提取能力,因此,通过探索更有效的骨干网络结构可以提升微光增强任务的性能收益.本文提出了一种复合主干网络融合策略的图像增强算法,将不同图像增强算法中的主干网络进行融合,以提高整体网络的特征提取能力.该算法通过逐层融合来自不同主干网络的特征信息,将复合特征引导到解码器中,再充分利用不同的上采样方法,将主干网络融合的特征进行堆叠,最终生成正常光照条件下的图像.通过与现有的主流算法进行定量与定性的对比实验,结果显示,本文方法显著提升了微光图像的亮度,同时保留图像的细节特征,在峰值信噪比和结构相似性客观指标上,在LOL-V2数据集上达到了24.35 dB和0.871,有效解决了图像增强后的噪声凸显和细节丢失问题.

轻量化的YOLOv8锥桶检测算法研究

针对现有无人驾驶方程式赛车对锥桶检测算法存在运算量大、精度低等问题,提出一种改进的YOLOv8n算法,该算法检测精度高、模型参数量少。改进算法引入Stem模块和EfficientNet-Lite网络结构来替换YOLOv8主干网络,由于YOLOv8的检测头中解耦的参数量占总参数的40%,故设计一种结构轻量化的检测头结构来减少模型的参数量,加入下采样倍数为4的高分辨率特征图P2用于检测微小目标。实验结果表明:在数据集上,改进的YOLOv8算法与原来的YOLOv8n算法相比,平均精度指标从90.1%提升到93.8%,参数量从3.00 M降到1.37 M,计算量从8.1GFLOPs降到4.7GFLOPs;在实车测试中,不但有效减少了锥桶的漏检现象,而且模型内存缩减了49%。

基于Backbone的极值进化算法

由于变量的适应度最优与问题的目标函数最优无法达到一致,从而利用极值过程原则的局部搜索算法对TSP问题效果不好,而通过改变变量的适应度,使其与目标函数相关,就能够提高个体解的搜索能力。比较参数取不同值时个体解搜索到的目标函数,可以发现存在使个体解搜索性能最佳的参数取值,且与变量的变异方式无关,这就为参数设置提供了依据。但个体解接近最优解后改善缓慢,无法快速到达最优解,为此引入组合优化问题解的Backbone概念,在种群进入最优解域后固定解中的相同部分,从而保留解中包含的最优解的信息,在减小问题规模后继续进行优化,增强搜索能力,提高搜索性能。