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。     

南水北调中线总干渠藻类的生态调度

南水北调中线总干渠无在线调蓄水库,对藻类生态调度过程中出现的问题开展生态调度实现策略和实施方式研究。主要实现策略包括:划定自身的调蓄区,隔离生态调度对下游的影响;采用高效的渠池运行方式,减少生态调度时蓄量的反复调整;综合考虑安全、快速、平稳等需求,设定生态调度实施进程和方式。具体实施方式包括:将总干渠划分为流速调控区、调蓄区和正常运行区,分别实施等体积、控制蓄量和闸前常水位方式运行;将生态调度过程划分为充水阶段和泄水阶段,基于流速调控目标值、持续时长和水位降幅约束条件,确定各阶段时长和各分区的闸门群调控方案等。基于2018年3月输水工况,采用明渠一维非恒定流模型,仿真总干渠上游15个渠池的藻类生态调度过程。结果表明,生态调度可在3.5 d内完成,各渠池的平均流速由0.48 m/s增至0.93 m/s,持续时间超过2 h。在整个生态调度过程中,水位变化平稳,水位变幅符合安全阈值要求,下游渠道的正常运行未受生态调度明显影响。     

“半翻转”教学模式下评价指标体系研究与实践

研究基于“半翻转”教学模式的线上教学评价指标体系,包括课前活动开展、课中教学活动设计、课后任务以及基于此过程中的评价指标体系设计。最后通过层次分析法设计评价指标权重,设计评价算法得到动态评价结果。该评价指标体系应用在本专业“数据结构与算法”课程中,并得到良好的应用效果。     

联合物探方法在堤防渗漏检测中的应用

对于堤防渗漏问题，为了保障人民生命财产安全，要求是立刻检测、准确定位、及时处理。物探根据一定的物性差异，不同物性特征进行分析求解，具有及时、高效、无损等特点，在工程中广泛应用。但单一的方法，会存在一定的多解性，联合物探方法就是采用多种物探方法，根据不同物性差异综合分析，减少多解性，提高准确性。文中通过在吉林某堤防渗漏检测中的应用，验证此方法的可靠性、准确性，为后期除险加固提供指导建议。     

基于多尺度特征校准的图像协调化方法

图像组合是图像处理中一个重要操作，然而组合图像中前景区域与背景区域的外观不协调使得组合图像看起来不真实。图像协调化是图像组合中极其重要的一个环节，其目的是调整组合图像前景区域的外观使其与背景区域一致，从而让组合图像在视觉上看起来真实。然而，现有方法只考虑了组合图像前景与背景之间的外观差异，忽略了图像局部的亮度变化差异，这使得图像整体的光照不协调。为此，该文提出一个新的多尺度特征校准模块(MFCM)学习不同尺度的感受野之间细微的特征差异。基于所提模块，该文进一步设计了一个新的编码器学习组合图像中前景与背景的外观差异和局部亮度变化，然后利用解码器重构出图像，并通过一个对前景区域归一化的回归损失指导网络学习调整前景区域的外观。在广泛使用的iHarmony4数据集上进行实验验证，结果表明该方法的效果超过了目前最优的方法，验证了该方法的有效性。