基于轻量化深度卷积循环网络的MVS方法

针对基于深度学习的MVS方法存在网络参数量大、显存占用较高的问题,提出一种基于轻量化深度卷积循环网络的MVS方法。首先,采用轻量化多尺度特征提取网络提取图像的高层语义特征图,构建稀疏代价体减小计算体积;其次,使用卷积循环网络对代价体进行正则化,一次平面扫描完成正则化过程,减少显存占用;最后,通过深度图扩展模块扩展稀疏深度图为稠密深度图,并结合优化算法保证重建精度。在DTU数据集上与最近的方法进行对比,包括传统MVS方法Camp、Furu、Tola、Gipuma,基于深度学习的MVS方法SurfaceNet、PU-Net、MVSNet、R-MVSNet、Point-MVSNet、Fast-MVSNet、GBI-Net、TransMVSNet。实验结果表明:所提方法在精度上与其他方法保持较小差距的前提下,能够将预测时显存开销降低至3.1 GB。

人民币作为国际储备货币实证分析

本文从央行储备资产管理的角度出发,采用国别的视角,对人民币如果成为国际货币将会在各国央行的储备池中的占比进行分析。假设存在一个代表性的中央银行,如果储备池中存在的主要资产除了现有的美元、欧元、英镑、瑞士法郎和日元等五种资产外,也将人民币纳入其中,来研究每一种资产在其中占有的份额。我们发现,人民币纳入其中后稀释了其他几种储备货币的份额,美元的份额稳定在60%左右,而其他几种资产的份额变化较大。人民币加入后,份额减少比较大的是瑞士法郎和日元。

员工流失的影响因素分析与预测

文章采用高维数据变量筛选的方法对衡量员工离职的诸多因素进行统计分析,并对员工离职情况进行了预测.分别使用了由Cui等(2015)提出的MV (Mean of Variance)方法和LASSO方法对高维数据进行变量筛选,选出了与员工离职相关较为密切的的变量进入分类模型.为保证模型预测结果的准确性,文章选择了支持向量机、随机森林、XGBoost以及Logistic模型四种机器学习模型对员工离职情况进行预测.在100次的实验中,相比于另外的7种组合模型方法,MV变量选择下的随机森林模型的平均分类准确率最高,达到95.43%.通过改变训练集与验证集的比例、抽取80%样本数据、增加随机扰动三种方式来验证上述实验结果,发现仍然是MV方法下的随机森林的平均分类准确率最高,且该组合模型具有较好的稳健性能.