基于改进MobileFaceNet的人脸识别方法北大核心

针对目前大多数人脸识别算法参数多、计算量大,难以部署到移动端和嵌入式设备中的问题,提出了一种基于改进MobileFaceNet的人脸识别方法。通过对MobileFaceNet模型结构的调整,将bottleneck模块优化为sandglass模块,改良深度卷积和逐点卷积的相对位置,适当增大sandglass模块的输出通道数,从而减少特征压缩时的信息丢失,增强人脸空间特征的提取。实验结果表明:改进后的方法在LFW测试数据集上准确率达99.15%,模型大小和计算量分别仅为原算法的61%和45%,验证了所提方法的有效性。     

一种基于FCOS神经网络的小建筑物目标检测方法北大核心

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

子集模拟中马尔可夫链蒙特卡洛抽样算法比较

文章着重研究子集模拟中马尔可夫链蒙特卡洛(MCMC)抽样算法的抽样效率与计算精度。首先，阐述可靠度子集模拟的基本原理与中间状态样本生成的各种MCMC抽样算法，在稳态马尔可夫链构造基础上提出延迟拒绝MMH(Modified Metropolis Hasting)算法，通过在MMH算法上增加备选样本的延迟拒绝步提高MMH算法的抽样效率；阐述基于随机游走与基于扩散方程MCMC方法中建议分布的差异，进一步对备选样本接受率为1的preconditioned Crank-Nicolson(pCN)算法和条件抽样(Conditional sampling, CS)算法开展研究，证明两种算法的等价性；推导有效样本量的计算方法，提出采用有效样本量与总样本量的比值定义MCMC方法的抽样效率。通过复杂目标分布的样本生成研究不同MCMC抽样算法建议分布及其参数对备选样本接受率与抽样效率的影响，最后通过计算实例研究子集模拟过程采用不同MCMC抽样算法得到失效概率的相对误差及其变异性，揭示不同MCMC抽样算法对失效概率计算精度的影响。研究表明：不同MCMC抽样算法生成备选样本的接受率及其自相关性受建议分布及其参数影响较大，对于复杂的目标分布，pCN算法和CS算法的抽样效率较高，延迟拒绝MMH算法次之；采用CS算法和延迟拒绝MMH算法进行子集模拟得到的失效概率精度较高且变异性较低；增加子集模拟中间状态样本量可以提高失效概率计算精度并降低其变异性。     

4英寸f_(max)=620 GHz的0.25μm InP DHBT北大核心

报道了一款在101.6 mm(4英寸)InP晶圆上制备的特征尺寸为0.25μm的磷化铟双异质结双极型晶体管。采用发射极自对准技术和介质钝化工艺,器件的发射极典型尺寸为0.25μm×3.00μm,最大电流增益为25,当发射极电流密度为10μA/μm^(2)时,器件的击穿电压达到了4.2 V,电流增益截止频率为390 GHz,最高振荡频率为620 GHz。建立了用于提取器件寄生参数的小信号等效电路模型,模型的仿真结果与高频实测数据具有很好的拟合精度。     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。