关于检测专注度的人脸识别综述

人脸表情是情绪最明显的表现方式,在人脸识别技术中,常摄像镜头采集不同的人脸图像,如位置、表情、静态以及动态等。其中,图像大小、分辨率、光照环境、模糊度、采集角度以及遮挡程度等均为影响采集效果的重要因素。随着科学技术的飞速发展,基于人脸识别技术在专注度检测中起到越来越重要的作用。文章主要介绍了当前主流的专注度识别方法,阐述了多种基于人脸表情识别的专注度检测方法和基于行为姿态的专注度检测方法,最后对专注度识别的发展趋势进行了探讨,以期为后来者对该领域的研究提供参考。     

p型SiC欧姆接触理论及研究进展

碳化硅(SiC)具有宽禁带、高临界击穿电场、高热导率等优异特性,是制备高温、高频、大功率器件最理想的半导体材料之一。然而,制备良好的SiC欧姆接触尤其是p型SiC欧姆接触仍然是SiC器件研制中亟需攻克的关键技术难题。首先对p型SiC欧姆接触的形成机制及金属/SiC接触势垒理论进行了深入分析。然后,对近年来p型SiC欧姆接触的重要研究进展进行了综述,包括形成欧姆接触的金属体系,制备工艺条件,获得的比接触电阻率等,并重点讨论了p型SiC欧姆接触的形成机理。最后,对未来p型SiC欧姆接触的研究方向进行了展望。     

Snort的高效规则匹配算法

对入侵检测系统Snort的规则匹配算法进行了系统的分析，为了进一步提高Snort的规则匹配效率，提出了在匹配过程中，对于条件匹配处理函数应用参数链表驱动的方法。从而避免重复调用处理函数，充分利用参数之间的关系，并能动态地减少无效规则的匹配。通过两个实验来评估此方法的效率，结果表明改进方案较明显地提高了Snort的检测性能。     

基于YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。     

基于级联神经网络的SiC MOSFET结温预测模型

对结温进行精准预测和提取仍然是SiC MOSFET器件应用中需要攻克的技术难题，对此，结合粒子群优化-反向传播(PSO-BP)神经网络预测精度高以及径向基函数(RBF)神经网络函数逼近能力强等优点，提出了一种基于PSO-BP与RBF级联神经网络的SiC MOSFET结温预测模型。模型将SiC MOSFET的漏极电流和通态电压作为PSO-BP神经网络的输入，再将PSO-BP神经网络的结温预测值以及插值法得到的温度插值作为RBF神经网络的输入。基于LTspice仿真获取的数据集验证了模型对SiC MOSFET结温预测的有效性。结果表明，该模型对SiC MOSFET结温预测的绝对误差在0.005℃以内，均方根误差和平均绝对误差分别低至0.0082和0.0015,相比单一的BP、PSO-BP以及RBF神经网络模型，其预测精度得到了大大提高。该级联神经网络模型可实现对SiC MOSFET结温(> 75℃)的精准预测。