基于PCAW-UNet的田间杂草实时分割

深度学习已被广泛运用于图像分割领域,将其用于农业方面,能有效地将幼苗和杂草的位置准确定位,降低除草剂的使用,避免不必要的生产成本和环境污染.提出了一种基于UNet网络的实时分割方法,以UNet为主干网络,提取多尺度信息融合,在模型末端添加双注意力模块,考虑图像像素位置之间的依赖关系与不同通道间的信息联系,对RGB图像中...     

基于改进卷积神经网络的交通标志识别分类方法

交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分,由于道路交通较为复杂,提高交通检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。文章提出一种基于参数优化的卷积神经网络方法,在对选用的数据集进行预处理操作基础上,适当调整CNN的规模、结构,使用网格法对相关参数进行协同优化,再使用改进的CNN模型在CTSDB数据集上进行训练和验证。结果表明：优化后的模型性能和稳健性均显著提高,且能够有效地完成交通标志的识别、分类任务。     

在交织着诗性与理性的事业中前行

曾经多次和顾海平校长聊有关基础教育的话题,听他讲他的"生涯规划"课程,从中能强烈地感受到他是一个在教育追求上有点理想主义色彩的人。他自己也认同这一点,"可能是学语文出身,浪漫主义的文学作品读得较多的原因吧。"他常常笑着这样自我解释。不仅如此,他还希望学校的教师也要时时充满激情,要有点理想主义,"只有充满激情地工作,你的专业发展才能走得更快更好,教师只有带着理想情怀,才能够影     

基于Matlab/Simulink的盲均衡算法仿真实验

结合科研成果进课堂活动,利用Matlab软件中的Simulink模块设计了基于神经网络的数字信道盲算法仿真均衡实验。该实验以信号与系统课程中反卷积教学内容为切入点,将盲均衡算法的科研成果引入课堂教学。该文对盲均衡算法的原理和其与反卷积的关系进行了介绍,推导了状态方程,并给出了基于Simulink的算法仿真验证模型,最后对仿真结果进行了分析。教学实践证明,该实验促进了学生对反卷积知识和通信理论的理解。     

Jensen’s和Graham’s等式的推广

本文对Jensen与、Graham等式进行了推广,并得到了恒等式:∑k≤mm+r()kxkym-k=∑k≤m-r()k(-x)k(x+y)m-k.     

基于超图卷积结合底层特征学习的多模态融合方法

多模态数据融合是针对单模态数据信息表达不充分而形成的一种数据处理方法,有利于更深层地挖掘和利用数据。然而,现存的多模态数据融合方法缺乏多模态数据之间复杂相关性的表示和处理。在数据相关性建模方面,超图能够很好地表示复杂数据之间的高阶关系,但容易覆盖底层特征。因此,该文提出一种基于超图卷积并结合底层特征学习的多模态融合方法。该方法首先根据多模态数据构造多模态超图,利用超图卷积获得节点高层特征表示,然后自适应学习节点底层特征权重,保留底层信息,最后将高层信息和底层信息融合,进行节点分类。通过物体识别实验,验证了底层特征的重要性。同时,在结构体健康监测的实际场景中,该方法能够很好地融合震电磁三场数据进行损伤等级判定。     

脉冲响应不变解卷积Web数据奇异特征挖掘

针对Web数据奇异特征挖掘时,信道对奇异特征具有卷积效应,影响特征挖掘精度。提出一种脉冲响应不变解卷积算法,实现对奇异特征对的盲解卷积,提高奇异特征挖掘性能。利用Web数据奇异特征的时间可预测性作为盲解卷积的解卷测度,采用脉冲响应不变算法对基于该测度的代价函数进行优化求解,从而成功得到解卷积滤波器系数,实现对Web数据奇异特征的盲解卷积。仿真实验表明,采用该算法挖掘Web数据的奇异特征,对于奇异特征信号具有很好的盲解卷积效果,所挖掘的奇异特征相关系数和重构信噪比均较高,特征挖掘聚类性好。     

茶香怡人——丁为英与日照绿茶交织的人生

茶,这种原本根生于中国的产物,在数百年间,因各种历史因缘的奇妙交错,逐步蔓延发展成几乎全球性的饮品,而＂饮品＂这个看似寻常而简单的词语背后,却有很多耐人回味的故事,或心酸、或喜悦,这些是茶人自己的故事。茶如其人。茶,是丁为英的事业,更是融合进生活,甚至融进生命的魂,茶人的称呼比生意人更适合她。而她与茶的缘,与其说是她寻到了茶,不如说茶寻到了她,生命中注定的缘。     

成长中的蜕变

成长是人生的诗行,开心时高声吟唱,低落时黯然神伤;成长是一次次的蜕变,交织着痛苦的思索与新生的喜悦。一个老师的成长,总是与一群孩子密不可分,那些时光充满了那些关于爱的所有纠葛……     

休斯敦双星：青涩时光

必须承认，任何一端有迹可循的伟大发端，最初都充满了坎坷甚至频频悖论。也就是说，那段充满反思和期间的青涩时光，你必须咬牙度过，否则伟大就永远不会成为现实，经年之后每当人们谈论起这段掌故时，嘴角流淌的颜色也只能是不屑的世故。很明显，今天火箭队由姚明和麦迪所组成的“姚麦组合”，也的确是走到了这个由荆棘与幸福充满交织的十字路口上。一边是天堂，另一边则是地狱，如此生死相吸，其中的落差感，我们内心的恐惧，说实话，毫不夸张。