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。     

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。     

基于去相关对抗学习的年龄不变人脸识别

匹配年龄差距较大的人脸在今天仍然是一个具有挑战性的问题，主要是由于年龄增长导致的人脸外观的显著差异。为了减少这种差异，本文提出了一种新的算法，从混合了身份和年龄信息的特征中去除与年龄相关的成分。具体来说，我们将混合人脸特征分解为两个不相关的分量:身份相关分量和年龄相关分量，其中身份相关分量包括对人脸识别有用的信息。     

一种直升机避障电力线检测方法

电力线是一类形状细长、特征稀疏、随着视角的变化容易混淆在大量背景信息中的特殊障碍物，常规电力线检测识别算法得到的目标框对电力线所在位置的估计不够准确。为此，提出了一种相对角度估计方法，基于常规电力线目标检测与识别算法，并结合电力线相对角度估计，从而提高电力线的检测识别过程中所在位置的精度。相比电力线绝对角度回归的方法，提出的相对角度估计方法容易训练易收敛，计算量小，适用于实时性要求较高的应用场合。     

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。     

个性化学习路径推荐综述

近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用，引发了学习理念和方式的深刻变革.在这种大背景下，在线学习超越了时空的限制，为学习者“随时随地”学习提供了更多的可能性，从而得到了蓬勃发展.然而，在线学习中师生时间、空间分离的特征，导致教师无法及时掌握学生的学习状态，一定程度上制约了在线学习中教学质量的提升.面对多元化的学习需求及海量学习资源，如何迅速完成学习目标、降低学习成本、合理分配学习资源等问题成为限制个人和时代发展的重大问题.然而，传统的“一刀切”的教育模式已经不能满足人们获取知识的需求了，需要一个更高效、更科学的个性化教育模式，以帮助学习者以最小的学习成本最大限度地完成学习目标.基于以上背景，如何自动高效识别学习者特征，高效地组织和分配学习资源，为每一位学习者规划个性化路径，成为面向个体的精准化教育资源匹配机制研究中亟待解决的问题.系统地综述并分析了当前个性化学习路径推荐的研究现状，并从多学科领域的角度分析了对于同一问题的不同研究思路，同时也归纳总结了当前研究中最为主流的核心推荐算法.最后，强调当前研究存在的主要不足之处.     

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。