1+X证书制度下教学改革探索

1+X证书制度是近年来职业教育的一个重要制度设计,Web前端证书是首批推出的1+X证书之一.文章主要探讨在此制度下,如何对作为WEB前端开发核心内容的PHP应用开发课程进行教学改革.通过深入研究Web前端开发中级证书文件,结合校企合作内容,有针对性地进行教学改革.通过教改,使学生掌握Web前端开发的核心内容.     

ZYNQ主控芯片的高速数据采集系统设计

传统的数据采集系统一般在FPGA平台或ARM平台进行研发.对于系统的两大研发重点:时序驱动设计以及传输控制设计,采用单一平台的方案均存在不足.为此,本文提出了 一种灵活的开发思路,联合FPGA与ARM的固有优势,采用ZYNQ作为主控芯片.ZYNQ的PL(FPGA)部分完成A/D驱动开发,ZYNQ的PS(ARM)部分搭载Linux操作系统完成数据的存储转发功能设计.实验证明,这种方法能够显著降低系统的开发复杂度,同时提升工作的稳定性.     

高校智能咨询系统实施过程中的关键问题研究

高校是"最多跑一次"思想的有力支持者,目前已有百余所高校同步推进,且取得显著成效.在此背景下,从高校留学生群体入手,分析当前高校智能咨询系统在"最多跑一次"实施落地过程中存在的问题.通过加强团队建设、规范事项、梳理流程、细化颗粒度的方式弥补仅靠系统带来的不足,旨在更好的为高校"最多跑一次"服务.     

基于大数据的成绩可视化分析与研究

从海量的大数据中挖掘出潜在的有价值的信息并进行可视化分析已成为研究的热点.文章根据成绩大数据,从班级、课程等多维度进行成绩可视化分析,为教学管理者提供学生学习情况分析服务.经研究发现,成绩的可视化分析不仅能为管理者提供精准的教学支持,还能使学生及时发现学业问题.     

结合动态图卷积和空间注意力的点云分类与分割

目的 随着3维采集技术的飞速发展,点云在计算机视觉、自动驾驶和机器人等领域有着广泛的应用前景。深度学习作为人工智能领域的主流技术,在解决各种3维视觉问题上已表现出巨大潜力。现有基于深度学习的3维点云分类分割方法通常在聚合局部邻域特征的过程中选择邻域特征中的最大值特征,忽略了其他邻域特征中的有用信息。方法 本文提出一种结合动态图卷积和空间注意力的点云分类分割方法（dynamic graph convolution spatial attention neural networks,DGCSA）。通过将动态图卷积模块与空间注意力模块相结合,实现更精确的点云分类分割效果。使用动态图卷积对点云数据进行K近邻构图并提取其边特征。在此基础上,针对局部邻域聚合过程中容易产生信息丢失的问题,设计了一种基于点的空间注意力（spatial attention,SA）模块,通过使用注意力机制自动学习出比最大值特征更具有代表性的局部特征,从而提高模型的分类分割精度。结果 本文分别在ModelNet40、ShapeNetPart和S3DIS（Stanford Large-scale 3D Indoor Spaces Dataset）数据集上进行分类、实例分割和语义场景分割实验,验证模型的分类分割性能。实验结果表明,该方法在分类任务上整体分类精度达到93.4%;实例分割的平均交并比达到85.3%;在室内场景分割的6折交叉检验平均交并比达到59.1%,相比基准网络动态图卷积网络分别提高0.8%、0.2%和3.0%,有效改善了模型性能。结论 使用动态图卷积模块提取点云特征,在聚合局部邻域特征中引入空间注意力机制,相较于使用最大值特征池化,可以更好地聚合邻域特征,有效提高了模型在点云上的分类、实例分割与室内场景语义分割的精度。     

A Novel Heterogeneous Actor-critic Algorithm with Recent Emphasizing Replay Memory

Machine Intelligence Research - Reinforcement learning (RL) algorithms have been demonstrated to solve a variety of continuous control tasks. However, the training efficiency and performance of...     

A Fast Vision-inertial Odometer Based on Line Midpoint Descriptor

Machine Intelligence Research - Visual simultaneous localization and mapping (VSLAM) are essential technologies to realize the autonomous movement of vehicles. Visual-inertial odometry (VIO) is...     

RDMA技术在数据中心中的应用研究

随着云计算向数据化智能化的方向演进,数据的流转与有效利用将为业务带来核心价值。大规模深度学习、机器训练等应用是极其依赖算力的,大量的信息交互对网络提出了很高的要求,由此需要一个低时延、无丢包、高吞吐的算力网络。考察RDMA[1]技术在数据中心中的应用,并分析其对于未来云数据中心高性能集群计算的影响。     

自然图像抠图技术综述

着重对近几年自然图像抠图研究新进展进行综述,针对近年来基于启发式优化的抠图研究以及基于深度学习的抠图研究新成果对抠图研究工作进行重新分类和梳理,分析不同类型自然图像抠图研究主要的方法并整理其中的关键问题,介绍常用的自然图像抠图评价指标。最后通过实例分析总结了当前自然图像抠图研究面临的挑战,并对未来的研究前景进行了探讨。     

TP-FER：基于优化卷积神经网络的三通道人脸表情识别方法

针对人脸五官在表达不同情绪时所起的作用不同,利用单一的卷积神经网络对人脸面部特征进行特征提取和表情识别可能会导致提取表情关键特征信息时聚焦性不够,而仅对眼部或者嘴部等重点部位进行特征提取,又有可能造成特征提取不够充分的问题,提出了一种基于优化卷积神经网络的三通道人脸表情识别方法TP-FER(tri-path networks for facial expression recognition).该方法基于构建的卷积神经网络训练,采用三个输入渠道,分别聚焦面部、眼部和嘴部区域进行特征提取和表情判别,最后采用基于决策层的融合技术将三个渠道的识别结果进行相对多数投票决策,获取整体最优识别率.将此方法应用于JCK+数据集和自建数据集上进行了实验判别分析,结果表明该方法在两个数据集上均提高了整体表情识别率.该方法既考虑了脸部整体特征的提取,又兼顾了某些表情主要聚焦在眼部、嘴部表达的特性,相互辅助,整体提高了表情的识别率;该方法也能对神经心理学研究提供数据支持.