基于数据质量评价的目标估计

针对目标估计过程需要大量人工参与、自动化程度低的问题，提出了基于数据质量评价的目标估计方法。利用目标数据质量评价方法，对不同传感器得到的目标数据质量进行科学、有效的测度和评价，并根据质量得分动态调整各数据源在目标估计过程中所占的权重，从而减少人工干预，提高目标估计效能。仿真试验结果证明了该方法的有效性。     

学情调查和数据驱动专业基础课教学探索

文章以“数字电子技术基础”课程为对象,设计了基于教学数据和问卷调查的教学框架。通过学生情况调查和雨课堂教学数据掌握学习状态和学习能力,针对性设计了个性化作业布置、拓展延伸、疫情线上自学跟学双通道等特色教学方式。结课问卷表明教学设计得到了良好评价和认可。     

“电工学实验”混合教学模式的探索与实践

在大类培养改革背景下,基于“电工学实验”开放式实践教学体系现状进行了“电工学实验”混合教学模式的研究,建立了“微课”资源并通过新型教学平台进行推送,确立了完备的混合教学模式应用机制并在部分专业进行了试点,通过分析试点调查数据得出混合教学模式具有在实验教学中提高学生学习效率、激发学生学习动力、促进学生个性发展、培养学生实践应用能力的优势,是落实创新应用型人才培养目标的重要举措。     

雷达工程专业本科毕业设计指导模式探索

为提高本科毕业设计指导工作效率和毕业论文质量，本文基于雷达工程专业特点建立了“导师主导--研究生辅助--本科生合作”的多层次、模块化、场景化指导模式。该模式以导师为核心、科研小组和学员合作为辅助，全方位全过程保障本科毕设工作。实践表明，该模式可以有效提高指导工作效率和本科毕业设计质量，学生专业素养和实践能力显著提升。本文对电子类专业本科毕设指导具有重要借鉴意义。     

基于单光子计数激光雷达的Bayesian检测研究

在单光子计数激光雷达检测领域,目前的检测方法在低信噪比情况下虚警概率会增加,同时也无法适应噪声变化的问题。针对这些问题,提出了一种基于Bayesian的检测方法,该方法首先通过雷达方程估计回波信号光子数的范围,将其作为先验信息,而后结合二项分布建立了累计概率模型,基于Bayesian判决准则计算得到检测阈值,此阈值能够在检测概率与虚警概率中间择其平衡。这种方法不仅克服了低信噪比检测困难的情况,还减少了先验信息的获取难度。实验结果表明,对比固定阈值其虚警概率降低了10倍。对比“恒虚警”其检测概率提高了约20。验证了方法具有良好的检测效果,具备一定的可操作性。     

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。     

一种基于抽取LMS的距离旁瓣抑制方法

在噪声雷达中，传统相关处理方法的距离旁瓣受到时宽带宽积的限制，在有限相关处理时间内得到的距离旁瓣较高，会造成微弱目标被强目标、杂波旁瓣淹没的现象。提出一种基于抽取最小均方（Least Mean Square,LMS）滤波的噪声雷达旁瓣抑制方法，将LMS滤波器的系数作为距离压缩结果，从而获取较低的距离旁瓣。对该方法的性能进行了理论分析，并通过数字仿真验证了算法的有效性和理论分析的正确性。     

Mutual information maximizing GAN inversion for real face with identity preservation

Recent generative adversarial networks (GANs) have yielded remarkable performance in face image synthesis. GAN inversion embeds an image into the latent space of a pretrained generator, enabling it to be used for real face manipulation. However, current inversion approaches for real faces suffer the dilemma of initialization collapse and identity loss. In this paper, we propose a hierarchical GAN inversion for real faces with identity preservation based on mutual information maximization. We first use a facial domain guaranteed initialization to avoid the initialization collapse. Furthermore, we prove that maximizing the mutual information between inverted faces and their identities is equivalent to minimizing the distance between identity features from inverted and original faces. Optimization for real face inversion with identity preservation is implemented on this mutual information-maximizing constraint. Extensive experimental results show that our approach outperforms state-of-the-art solutions for inverting and editing real faces, particularly in terms of face identity preservation.     

Collaborative Distribution Alignment for 2D image-based 3D shape retrieval

Retrieving 3D shapes with 2D images has become a popular research area nowadays, and a great deal of work has been devoted to reducing the discrepancy between 3D shapes and 2D images to improve retrieval performance. However, most approaches ignore the semantic information and decision boundaries of the two domains, and cannot achieve both domain alignment and category alignment in one module. In this paper, a novel Collaborative Distribution Alignment (CDA) model is developed to address the above existing challenges. Specifically, we first adopt a dual-stream CNN, following a similarity guided constraint module, to generate discriminative embeddings for input 2D images and 3D shapes (described as multiple views). Subsequently, we explicitly introduce a joint domain-class alignment module to dynamically learn a class-discriminative and domain-agnostic feature space, which can narrow the distance between 2D image and 3D shape instances of the same underlying category, while pushing apart the instances from different categories. Furthermore, we apply a decision boundary refinement module to avoid generating class-ambiguity embeddings by dynamically adjusting inconsistencies between two discriminators. Extensive experiments and evaluations on two challenging benchmarks, MI3DOR and MI3DOR-2, demonstrate the superiority of the proposed CDA method for 2D image-based 3D shape retrieval task.