一个新的线索KD树并行算法

KD树是三维场景渲染中常用的空间加速算法。由于SIMD计算平台不支持递归操作,导致KD树在GPU上的应用受到限制,因此提出了一个新的基于SIMD架构的并行KD树算法。通过创建时对KD树线索化,不仅省去堆栈使用,且因无需回溯到根节点而减少大量无效遍历操作,实现了基于GPU的高效并行加速。实验结果表明,线索KD树算法每秒计算的光线数与传统算法相比,提高3~8倍不等,最终显著提高光线跟踪渲染速度。     

H．264在互联网抗误码问题中的应用

本文首先简单描述了错误恢复能力在IP视频通信中的重要性和实现途径；然后回顾了传统的抗干扰和恢复方法；最后对H．264中的错误恢复方法及其分层框架进行了分析。     

基于改进ResNet-50的图像特征提取网络

为了提高图像的特征质量,保证最后提取到的特征高度精炼,提出了一种新的方法;该方法首先将低分辨率图像经过小波变换分解成高频分量和低频分量,并结合插值法进行插值,最后通过小波逆变换得到高分辨率图像来为后续的特征提取提供高质量的图片输入;接着,选取ResNet-50网络作为基础网络,将Efficient Channel Attention(ECA)模块与ResNet残差结构结合形成一个全新的ECA-ResNet50模块,ECA模块具有的通道级的注意力机制,可以让整个网络更加专注于提取显著特征;经实验测试,该方法对于图像特征提取的质量有着明显的提升,均方误差下降可达6.65;结果表明,该方法可行有效,具有良好的工程应用前景;     

基于改进深度学习的风机油污识别

针对风机设备油液渗漏影响风机正常运行亟需解决的对风机设备油污的识别问题,提出了一种基于改进深度学习的风机油污检测方法。基于深度学习在目标检测中的应用特点,对目标检测网络YOLOv5n（You Only Look Once v5n）进行改进,将原网络中的非极大抑制（Non Maximum Suppression,NMS）替换为Soft-NMS,降低了网络的误检率,添加CA (Coordinate Attention)注意力机制,增强了模型对目标的定位能力,改进原网络损失函数为α-IoU（Alpha- Intersection over Union）损失函数,提高了边界框检测的准确度。实验结果表明:模型平均精度提升了8.1%,查全率提高了19.1%,网络推理速度提高了28.6%。改进后的模型能准确检测风机油污,有效解决了风机实际运行中油液渗漏所带来的问题。     

基于深度学习的安全帽佩戴检测与跟踪

为了解决传统施工现场安全管理的弊端,减少因施工人员未佩戴安全帽造成的人员伤亡,本文提出一种基于深度学习的安全帽佩戴检测与跟踪方法。首先通过深度学习YOLOv3目标检测网络实现安全帽佩戴检测,进一步运用卡尔曼滤波器和KM算法实现多目标跟踪与计数。复杂施工现场的测试结果表明：网络模型的检测速度可达45 fps,平均精确度为93%,且未佩戴安全帽的查准率和查全率分别为97%和95%,基本能够实现安全帽佩戴情况的实时检测。     

信息工程专业建设与校企合作模式探索

信息工程专业是教育部确定的引导性专业,是信息领域中口径最宽的专业。文章介绍了目前信息工程专业建设存在的问题,探讨了信息工程专业建设与校企合作模式探索。     

IP与ATM的融合技术——多协议的ATM

MPOA是一种较好的 IP与 ATM的融合技术 ,它对 L ANE技术作了较大的改进。首先着重介绍 MPOA和它的优点 ,以及它对 LANE的改进 ,然后简要介绍了南京邮电学院校园网如何解决 IP与 ATM的融合问题 ,以及 MPOA对南京邮电学院校园网的借鉴     

基于改进YOLOv5的电厂人员吸烟检测

发电厂厂区内违规吸烟易导致火灾、爆炸等事故,会带来巨大损失。针对电厂内人员违规吸烟行为检测精度不高的问题,提出一种基于改进YOLOv5s（You Only Look Once v5s）的电厂内人员违规吸烟检测方法。该方法以YOLOv5s网络为基础,将YOLOv5s网络C3模块Bottleneck中的3×3卷积替换为多头自注意力层以提高算法的学习能力;接着在网络中添加ECA（Efficient Channel Attention）注意力模块,让网络更加关注待检测目标;同时将YOLOv5s网络的损失函数替换为SIoU（Scylla Intersection over Union）,进一步提高算法的检测精度;最后采用加权双向特征金字塔网络（BiFPN,Bidirectional Feature Pyramid Network）代替原先YOLOv5s的特征金字塔网络,快速进行多尺度特征融合。实验结果表明,改进后算法吸烟行为的检测精度为89.3%,与改进前算法相比平均精度均值（mAP,mean Average Precision）提高了2.2%,检测效果显著提升,具有较高应用价值。     

面向电力巡检语音指令识别后的文本纠错算法

为了解决面向公共领域的语音识别(Automatic Speech Recognition,ASR)在识别电力巡检专有指令时识别率低的问题,提出了基于模型匹配的电力巡检语音识别后文本纠错算法。首先对庞大的电力巡检指令词库进行预处理并构造电力语法模型,建立电力词汇间的联系,然后对该模型下的电力词汇构建汉字和拼音AC自动机(Aho-Corasick Automaton,ACA)分别进行识别串精确匹配下的查错和纠错,最后针对精确匹配下纠错失败的问题设计模糊匹配算法,进一步实现语音识别后文本的模糊纠错,从而优化了电力巡检语音识别后文本纠错的性能。实验结果表明,在满足实际的应用需求的情况下,该算法解决了电力巡检语音指令词的误识别问题,显著提高了纠错正确率。