我国标准化与专利的关系:基于ICS分类的实证分析

专利与标准(化)在一国创新系统中发挥着越来越重要的作用。国内外现有研究标准(化)与专利之间相互关系的实证文献很少,基于我国的宏观经验数据来分析专利和标准(化)之间关系的实证研究,在变量设定以及数据收集方面存在较大的缺陷。首先在变量的设定方面纠正了现有研究的不足之处,其次严格按照布莱德的标准的国际分类(ICS)和国际专利分类(IPC)之间的对应关系收集数据,从而在变量的选择和收集以及样本量方面保证了数据分析结果的有效性。经过实证分析,研究结果表明:我国的专利申请与标准之间具有积极的相互影响的关系;同时,在不同的行业中,专利申请和标准之间的关系是不同的。

图像分类的深度卷积神经网络模型综述

图像分类是计算机视觉中的一项重要任务,传统的图像分类方法具有一定的局限性。随着人工智能技术的发展,深度学习技术越来越成熟,利用深度卷积神经网络对图像进行分类成为研究热点,图像分类的深度卷积神经网络结构越来越多样,其性能远远好于传统的图像分类方法。本文立足于图像分类的深度卷积神经网络模型结构,根据模型发展和模型优化的历程,将深度卷积神经网络分为经典深度卷积神经网络模型、注意力机制深度卷积神经网络模型、轻量级深度卷积神经网络模型和神经网络架构搜索模型等4类,并对各类深度卷积神经网络模型结构的构造方法和特点进行了全面综述,对各类分类模型的性能进行了对比与分析。虽然深度卷积神经网络模型的结构设计越来越精妙,模型优化的方法越来越强大,图像分类准确率在不断刷新的同时,模型的参数量也在逐渐降低,训练和推理速度不断加快。然而深度卷积神经网络模型仍有一定的局限性,本文给出了存在的问题和未来可能的研究方向,即深度卷积神经网络模型主要以有监督学习方式进行图像分类,受到数据集质量和规模的限制,无监督式学习和半监督学习方式的深度卷积神经网络模型将是未来的重点研究方向之一;深度卷积神经网络模型的速度和资源消耗仍不尽人意,应用于移动式设备具有一定的挑战性;模型的优化方法以及衡量模型优劣的度量方法有待深入研究;人工设计深度卷积神经网络结构耗时耗力,神经架构搜索方法将是未来深度卷积神经网络模型设计的发展方向。

中、美、英、德、法、日、俄国家标准的比较分析

通过对中国、美国、英国、德国、法国、日本和俄罗斯国家标准在各个技术领域标准数量的统计计算和比较,分析研究上述7个国家的国家标准在技术领域分布方面的共性与差异性,提出分析结论和建议,目的是为我国构建科学的标准体系和组织标准制修订工作提供参考和决策依据。