高职院校现代学徒制、企业新型学徒制的实践与成效——以柳州铁道职业技术学院移动应用开发专业为例

本文论述以现代学徒制、企业新型学徒制设计移动应用开发专业人才培养方案,以柳州铁道职业技术学院移动应用开发专业为例,提出在双学徒制教学的实践中,第一学年、第二学年围绕现代学徒制提出的“四个对接”,校企合作在校内共同搭建移动应用开发的“众创空间”和“导师工作室”,以职业技能教学项目为“圆心”,以综合应用功能模块要求具备的知识和职业技能为“半径”,技能的“入门”“考证”“开发”为“三阶”,完成学生全面培养和发展的教学;第三学年,实行师傅带徒弟开展新型学徒制企业职业技能的培养。

Transformer与卷积神经网络相结合的皮肤镜图像自动分割算法

皮肤镜图像的病灶区域与背景像素相似度高,且病灶存在形状多样,边缘模糊,人工或毛发遮挡等情况,为了获得更高精度的皮肤病变分割,提出了一种皮肤镜图像自动分割算法.首先,使用ResNet 34提取多种分辨率特征,在上下文部分使用Transformer模块对输入的特征进行全局建模;其次,通过混合池化模块聚合上下文特征的多尺度信息,在对应连接编解码器的跳跃连接间设计一个高效卷积模块以提高跳跃路径的边缘细化和抗干扰能力;最后,利用解码器恢复图像分辨率,并逐层融合其他浅层分辨率特征,利用Focal Loss函数改善难分割目标的精度.文中算法在ISIC2017,ISIC2018数据集上获得的Dice系数、准确率、Jaccard指数、灵敏度得分分别为88.83%,94.77%,81.43%,88.49%和89.46%,94.50%,82.56%,94.62%,与其他算法相比具有一定的优势,证明了该算法的有效性.

基于PiT的皮肤镜图像分类方法研究

随着计算机技术的进步,现有的Transformer被扩展成处理计算机视觉任务的网络结构。为提高黑色素瘤的早期确诊率以提高皮肤病患者的治愈率,本文提出一种改进的基于PiT(pyramid pooling transformer)的网络模型来实现对7种皮肤病变的皮肤镜图像进行自动分类。本文模型主要由PiT模块和抗干扰模块等2个部分组成,Pit继承了ViT的优点,并通过池化进行空间尺寸转换来提高模型的鲁棒性,经过预训练的PiT网络拥有大量的自然图像特征,且PiT部分网络可为下游的分类任务提供所需的图像特征,本文设计出抗干扰模块,用来抵抗皮肤镜图像中的干扰因素(如毛发、异物遮挡)的影响,从而提高模型性能、提高分类精度。实验结果表明,本文模型在ISIC 2018验证集上的分类准确率、精确率、召回率、F1-score值分别高达91.58%、83.59%、89.92%、86.34%,每秒传输帧数(frames per second,FPS)达到85 Hz与现有的几种先进的分类网络相比,分类性能和模型效率都有所提高,具有相对优势,证明本文模型具有一定的实用价值。