人工智能专业产教融合建设探索与实践

随着人工智能从单纯技术向新兴产业的发展,高校产教融合的培养目标已经从单纯培养技术类人才转变为培养综合应用型人才,因而对人工智能专业的建设提出了新的要求。文章以常州大学为例,从人才培养模式、教育教学改革、师资队伍建设、教学资源建设等方面入手,探索产教融合的人工智能专业建设体系,构建“产教融合、同频共振”的协同育人长效机制,形成“五链融汇、五元贯通”的产教融合培养模式。

基于计算机视觉和人工智能技术的图书馆图书盘点系统的探索与应用

针对现代图书馆对图书自动盘点的需求,基于计算机视觉和人工智能技术设计了图书馆图书盘点系统。使用Mask R-CNN深度学习网络对书脊图像进行实例分割,再对分割后的书脊图像提取书架号和书名位置并进行文字识别,最终对书架号和书名两步验证确认书籍是否乱架。通过实地采集图像并测试表明,本文方法对于不同类型的书脊图像能够实现较好的分割和识别效果,能够准确地检测出乱架书籍,适合搭载在图书馆自动盘点机器人上,可以有效提高图书盘点的工作效率。

OBE背景下人工智能专业Python课程案例式教学探讨

OBE理念是一种以学生为中心,以成果为导向的教学新理念,引导着本科阶段的教学。人工智能专业作为新兴本科专业,培养计划的制订上仍需探讨。Python作为人工智能领域最常用的编程语言,在人工智能专业的本科教育阶段至关重要。文章从OBE理念出发,开展案例驱动的教学方法,将实例贯穿整个课程的教学中,可以帮助学生针对算法开展Python程序语言的学习,不仅可以增强学生的编程基础,而且可以提高学生对于人工智能领域算法的熟悉度,从而具备分析和解决实际问题的能力,真正实现学以致用。

基于强基计划的人工智能专业人才培养思考

强基计划目的是选拔培养有志于服务国家重大战略需求且综合素质优秀或基础学科拔尖的学生。人工智能专业作为新兴专业,应该如何在本科教学中贯彻“强基”的思维,以期提高学生的研究基础能力,值得进一步探讨。

地方高校本科一流课程建设探索——以人工智能基础教学改革为例

人工智能专业是新工科专业中的代表之一。在人工智能人才培养过程中,如何体现“两性一度”,使学生具有综合知识、实践能力与创新意识,成为亟待解决的问题。以此为契机,对人工智能基础这一专业基础课程从课程体系、课程内容和教学团队等多个方面进行重构,采用多维度教学方式和考核方式对该课程进行教学改革。结果表明,课程改革取得了良好效果,能够有效激发学生学习人工智能课程的兴趣,并使之能学以致用。

产教融合视角下计算机专业研究生“双创”能力培养探索

研究生双创能力培养是高校人才培养的重要内容之一。结合常州大学计算机专业硕士研究生培养改革实践,从产教融合视角探讨研究生双创能力培养。在深化双创教育改革过程中,积极推进校企协同机制,建设高水平师资队伍,完善实践平台,并构建多元评价体系。

普通高校专升本学生就业指导分析——以计算机类专业为例

互联网时代,热门的计算机类专业有这样一小部分群体——普通高校专升本学生。本文主要以计算机类专业为例,从学校培养和学生求职两个方面分析普通高校专升本学生的就业指导与实践问题,根据现状提出可努力的发展策略,以求更好地提升专升本热门报考专业的就业率和就业质量。

基于两阶段计算Transformer的小目标检测

目前,小目标检测任务虽取得了长足发展,但仍存在诸多问题。如,小目标场景往往因为目标自身信息量过少导致目标特征提取难,容易丢失小目标原本的特征信息使得检测效果不佳。为了解决此问题,提出了一种基于两阶段计算Transformer(TCT)的小目标检测网络。首先,在主干特征提取网络中加入两阶段计算Transformer用于特征增强,在传统单阶段计算Transformer值基础上,使用多个一维空洞卷积层分支以不同的特征融合方式获得全局自注意力特征权重,提高特征表达能力与信息交互能力。其次,提出高效的残差连接模块,改进现有的CSPLayer层中低效的卷积层与激活层,有利于促进信息流的交互,学习更丰富的上下文细节特征。最后,提出特征融合与精炼方法以融合多尺度特征,提升目标特征表征能力。通过在PASCAL VOC2007+2012数据集、COCO2017数据集和TinyPerson数据集上进行多个定量与定性实验发现,相较于YOLOX算法,所提算法在小目标检测上具有更强的目标特征提取能力和更高的检测精度。

在线学习模式下大学生学习绩效评价模型研究

新冠疫情迫使高等教育的线下教学转向在线学习,教师和学生都不得不适应在线学习平台。因此,对学生学习绩效进行评价对于保证学习质量是至关重要的。本文从学习行为分析、问卷调查和学习状态分析等3个层次对学习绩效进行全面分析。同时使用多分类支持向量机和跨领域迁移学习方法等多种机器学习方法实现对互联网大数据的识别和处理。近2年的教学实践表明,通过对学生在线学习模式下学习绩效的评价可以提高学生对课程的满意度,尽可能减少疫情对学生课程学习的影响。

融合位置注意力机制与轻量化STDC网络的非结构化场景语义分割

近年来,非结构化道路分割已成为计算机视觉领域的重要研究方向之一.现有的大多数方法适合结构化道路的分割并无法满足非结构化道路分割的准确性与实时性需求.为了解决上述问题,本文对STDC网络进行改进,引入残差连接来更好地融合多尺度语义信息,还提出一种嵌入位置注意力模块的空洞空间卷积池化金字塔(PAASPP)来增强网络对道路等特定区域的位置感知能力.本文在RUGD与RELLIS-3D两个数据集上进行实验,所提出方法的MIoU在两个数据集的测试集上分别达到了50.78%和49.96%.

细粒度情感和情绪分析中损失函数的设计与优化

在细粒度情感分析和情绪分析数据集中,标签之间的相关性和标签分布的不均匀性非常突出。类别标签分布不均匀,标签之间存在相关性容易影响学习模型的性能。针对这一问题,该文受计算机视觉领域中的Circle loss方法的启发,将梯度衰减、成对优化、添加余量引入损失函数来优化深度学习模型的性能。该方法可以很好地与预训练模型相结合,不需要修改骨干网络。与当前最新的经典方法相比,该方法在SemEval18数据集上Jaccard系数、micro-F1、macro-F1分别提升了1.9%、2%、1.9%;在GoeEmotions数据集上Jaccard系数、micro-F1、macro-F1分别提升了2.6%、1.9%、3.6%。实验表明,该文提出的损失函数对情感分析和情绪分析问题具有显著的提升作用。

基于平衡采样的主动半监督学习人类活动识别研究

基于可穿戴传感器的人类活动识别研究逐渐受到人们的广泛关注。本文提出了一种基于平衡采样的主动半监督模型,在挑选样本进行标注时,将样本的不确定性和多样性一并考虑在内,挑选出类别平衡的不确定性样本。确保训练后的模型对每个类都有很好的识别性能,从而提升整体分类结果。同时,为了全部利用标记和未标记样本的信息,将主动学习和半监督学习相结合,利用损失项信息不断更新网络参数,提升模型在低注释下的识别性能。该模型在2个公开数据集上得到了验证,在确保获得较优分类准确率的同时,可以大大减少样本的人工标注工作。

基于三元中心引导的弱监督视频异常检测

针对监控视频异常的复杂多样性和短时持续性,引入弱监督视频异常检测方法,旨在仅使用视频级别的标签进行异常检测,并提出了基于变分自编码器(VAE)与长短期记忆(LSTM)网络的异常回归网络VLARNet作为异常检测框架,以捕获时序数据中的时间依赖关系、去除冗余信息,保留数据的关键信息。该框架将异常检测视为回归问题,为学习检测特征,设计了异常分数回归的三元中心损失(TCLASR),与动态多实例学习损失(DMIL)相结合以进一步提高特征的区分能力。DMIL能够扩大异常实例与正常实例之间的类间距离,但同时也扩大了类内距离,而TCLASR可使来自同类的实例与类中心的距离更接近,与不同类中心的距离更远。对VLARNet在ShanghaiTech与CUHK Avenue数据集上进行了综合实验。实验结果表明,VLARNet能够有效利用视频数据的各种信息,在两个数据集上获得的受试者工作特征曲线下面积(AUC)分别为94.64%和93.00%,明显优于对比算法。

基于混合特征图卷积神经网络的人体行为识别方法

基于可穿戴传感器的人体行为识别方法不能很好地处理时间序列数据采样点之间的结构信息,也忽略了数据样本之间的潜在联系。针对这一问题,提出了混合时频特征和结构特征的图卷积神经网络模型进行人体动作识别。首先,通过小波包变换获取原始信号的时频特征,进一步构建时空图提取信号的结构特征以挖掘采样点间的动态特性,并在结构特征中加入距离约束,弱化时空图中远距离邻居对中心节点的影响。其次,考虑到结构特征提取时受时空图拓扑关系影响较大,选择样本的时频特征构造图卷积神经网络的输入拓扑,混合时频特征和结构特征作为网络输入特征。最后,输入特征沿着输入拓扑结构传播,得到最终分类结果。为了评估所提模型的性能,在WHARF和DataEgo数据集上进行了实验验证。实验结果表明:所提模型的F1分数相比已有的基于卷积神经网络模型在WHARF和DataEgo上均有提升,WHARF数据集上F1最高提升19.58百分点,DataEgo数据集上F1最高提升26.44百分点,证明所提出模型通过挖掘动态特性能够有效提高动作识别能力。

基于多层次通道注意力网络的少样本字体生成

为提升字体生成的图像质量,减少字体设计的人工成本,提出基于多层次通道注意力网络的少样本字体生成的方法。首先,该方法通过风格感知注意力模块获取重要的局部特征;然后设计了一个多层次的注意力机制,较浅的层只能观察图像的局部特征,而较深的层可以观察到图像的全部特征,通过聚合不同层次的局部特征来构建新的风格特征。最后,使用了内容损失函数、风格损失函数和L 1损失函数优化模型的参数,稳定网络的训练,使生成图像在内容和风格上与目标字体保持一致。实验结果表明,该方法在未知样式的字体和未知内容的字体具有很强的泛化性。相比于其他方法,所提出的方法表现出更好的实验结果,能保持内容结构的完整和字形风格的准确性。

基于异质集成的井漏预警模型

钻井井漏事故具有突发性和难以控制的特点。因此,迫切需要建立一种有效的井漏预测方法。将随机森林、支持向量机和反向传播神经网络模型相结合的异质积分器Stacking应用于青海省柴达木盆地英西地区。首先对目标区块的数据集进行处理,运用灰色关联对数据进行相关性分析,选择其中10个相关性高的参数,后设置两层堆叠集成,第一层选择随机森林、支持向量机和BP神经网络模型作为基础学习器,第二层选择逻辑回归模型作为元学习器。结果表明,异质集成模型提高了预测精度(0.981的准确率、0.970的精确率、0.963的召回率和0.960的F 1分数),克服了同质分类器的局限性。强调了综合井漏预警预报中考虑多种地质因素的重要性。

物联网移动应用多元化虚实结合实验平台设计

针对国内高校物联网专业移动应用开发课程的系统化实验要求,提出并设计了多元化虚实结合的实验平台。剖析了新时代人才培养的核心,以学生为中心,以实践教学为主,培养复合型人才,提出并设计了基于物联网体系的移动应用开发实验平台。基于该平台,学生从全局角度出发,设计移动应用终端程序,同时引导学生对物联网体系内的模块进行实验和创新。该实验平台更加符合“互联网+”教育模式下线上线下融合的要求,打破了时间和空间的束缚,有效提升了学生的动手能力、系统思维能力和创新思维能力,更能培养学生综合应用知识的能力。

图书馆图书自动盘点智能车的设计

针对现代图书馆图书理架及盘点耗时大,现有RFID模式存在漏检、成本高,不能按照索书号和种次号理架的问题,本文基于STM32单片机,结合电磁感应模块,利用PID控制算法,结合深度学习式图像识别法设计与开发了一款图书馆图书自动盘点智能车。其设计的图书自动盘点智能车集实用性、综合性于一体,可实现自动循迹、自动拍摄、自动上传图像、自动分析图像,每天形成图书错架、丢失报告等功能,大大提高了图书馆管理员的工作效率。

智能手机能耗多目标优化机制研究

智能手机的网络请求导致其续航能力下降,合并转发技术可有效降低能耗,但设置最优的合并转发时间仍是技术发展的关键,通过大量人工实验解决该问题耗时耗力。因此,基于统计模型检验,使用工具UPPAAL-SMC,以概率时间自动机对安卓设备中用户请求以及WiFi模块进行仿真建模,量化能耗、延迟、用户满意度等属性,进而利用统计模型检验,对不同请求频率的场景进行蒙特卡洛模拟,获得延迟对能耗以及用户满意度的影响。最终进行多目标优化,求得通用最优合并转发延迟时间为22 s,在满足用户体验的前提下平均降低了20%的能耗。该方法可在不同的使用场景下模拟得到通用最优合并转发延迟时间,为开发者提供参考。

基于BERT的中文电子病历命名实体识别

针对中文电子病历命名实体识别过程中实体特征利用率低,语义表示不充分等问题,提出一种基于BERT语言模型的命名实体识别方法。运用Char-CNN学习字符的多种特征,将特征加入BERT预训练生成的词向量中,获得融合领域信息和汉字特征的词向量表示,将词向量输入迭代扩张卷积神经网络中进行特征抽取,引入注意力机制加强实体特征的关注度,通过CRF解码标注命名实体。实验结果表明,该方法在CCKS17中取得91.64%的F1值,识别性能优于现有方法。