采用无监督学习算法与卷积的图像分类模型

为了提高图像分类精度,降低训练复杂度,提出一种采用无监督学习算法与卷积构造的图像分类模型.首先,从输入无标签图像中随机抽取大小相同的图像块构成数据集,进行预处理.其次,将预处理后的图像块通过两次K-means聚类算法提取字典,并采用离散卷积操作提取最终图像特征.最后,采用Softmax分类器对提取的图像特征进行分类,得出准确率.将该模型与卷积神经网络(CNN),Dropout CNN网络进行比较,结果表明:在对大规模高维图像分类上,文中模型具有分类精确度高、简单、训练参数少、适应度高等优点.     

“计算机控制系统”课程教学方法的思索

围绕工科专业人才培养目标,结合＂计算机控制系统＂课程,对该课程在大四学生中开设的教学方法进行探讨,分析了课程存在的问题,给出了几个具体改革方案,以提高学生学习兴趣,增强学生实践能力。     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

论工科专业中教学与企业实践相融合

围绕工科专业人才培养目标,结合企业实践,对教学活动进行探讨,详细介绍了工科教学中存在的问题及与企业实践相结合的几个具体改革措施。实践证明：教学与企业实践相融合的教学模式能够激发学生的学习兴趣,使学生将书本知识与企业生产实践相结合,对理论知识学习更透彻,培养和提高了学生的基本技能。教师应充分发挥教学与企业实践相融合的作用,探索有效的、多样化的教学方式。同时,理论和方法在实际生产中的应用,能够优化实践教学内容,做好实践过程的指导工作,提高教学质量,是培养大学生综合素质的重要手段。