面向创新思维培养的大学计算机基础课程建设

大学计算机课程是融知识性、技能性和思维性于一体的大学通识教育基础课程。文章分析大学计算机基础教学目前面临的危机与挑战,围绕培养大学生创新思维能力的核心任务,阐述当今信息社会大学计算机的课程理念,着重从课程目标设计、课程体系构建、教学方法改革、新型教学资源利用等几个方面探讨大学计算机基础课程的建设。

基于SPOC混合式教学的高校计算机入门课程探索

本文分析了大学新生在入学时计算机水平差异较大的现状,基于学校和社会对人才培养的要求,探索并采用了SPOC混合式教学模式,借助在线教学平台对计算机零基础学生实施计算机入门课程——"IT实践基础",快速提升了学生的计算机基础水平,利用较少课时有效达到了计算机基本能力培养目标。

基于深度学习的鱼类分类算法研究

回顾近年来国内外对鱼类分类的研究进展,指出传统方法存在的缺陷。深度学习是目前图像分类的主流方法。研究基于卷积神经网络CNN(Convolutional Neural Network)的鱼类分类模型,并以该模型为基础,进一步提出利用迁移学习,以预训练网络的特征结合SVM算法(Pre CNN+SVM)的混合分类模型。实验以Fish4-Knowledge(F4 K)作为数据集,使用Tensor Flow训练网络模型。实验结果表明,利用Pre CNN+SVM算法,取得了98.6%的准确率,较传统方法有显著提高。对于小规模数据集,有效解决了需要人工提取特征的不可迁移性。

非局部相似性去噪算法研究

加权核范数最小化方法根据奇异值的大小分配不同的权值进行软阈值收缩操作,过滤噪声能量,相比标准核范数最小化方法,它考虑了奇异值的数学性质,所以去噪效果更佳。然而,该方法没有考虑噪声在计算图像块之间的相似度时会影响相似度值。在图像块重构时没有考虑不同的相似块组去噪效果不一样,这将影响后续去噪效果。针对噪声影响相似性计算问题,提出用加权核范数算法对噪声图像进行预处理,得到近似干净图像再计算相似性,图像块重构时采用加权平均求每个像素值。实验结果表明,提出的方法去噪效果相比加权核范数最小化方法更佳,峰值信噪比有提升。

基于多损失融合与谱归一化的图像超分辨率方法

图像超分辨率重建研究存在结果客观衡量指标不断变优,但是视觉感知质量依旧平滑的问题。同时,应用生成对抗网络的超分辨率模型中的鉴别器(discriminator)设计存在一个普遍的问题,即训练不稳定问题。针对以上问题作出两点改进:提出多损失融合的方法,寻求一种在PSNR指标与感知质量之间的平衡,通过将均方误差损失、感知损失、风格损失与对抗损失进行融合的方法,在提高PSNR值的同时,改善图像视觉质量;在基于生成对抗网络的超分辨率模型的鉴别器设计中引入谱归一化(spectral normalization),以实现更稳定有效的训练。结果显示,改进后的方法得到了更高的PSNR指标与更逼真的视觉感知质量,并进一步表明感知质量对于超分辨率重建的重要性。

基于依存语法的祈使句分类研究

针对人机交互中最为常见的祈使句语句,结合汉语祈使句依存语法的特征,提出一种基于核心词语义的祈使句分类方法。它利用依存语法提取祈使句中具有语义特征的核心词,再利用Word2Vec将词分布式表示。用核心词的词向量计算该祈使句和类别之间的相似度,从而实现为祈使句分类。实验结果表明,利用依存语法的特征提取方法,结合将核心词组合表示为词向量后进行分类,在57个类别的分类结果中有92.64%的正确率。

基于思维培养的Python程序设计类课程之实践

针对目前非计算机专业大学生利用计算机求解实际问题的迫切需求,本文结合学校的教学实际,重点分析了程序设计类课程不仅仅是让学生学会一门程序设计语言,更多的是培养学生的一种思维能力。阐述了如何从大纲拟定、教材设计、课件制作到课堂的教学形式等各个环节,将计算机求解问题的方法和思维贯穿到整个程序设计的教学实践中。