中考数学:备考 模拟 应考步步加分

1、考生备考可分三轮进行第一轮分两个阶段,第一阶段将知识分块,复习为主。主要进行查缺补漏和巩固提高,重点放在课本基础知识重现、重建上,要注重基本知识点的落实,基本方法的再认识和基本技能的掌握。使之形成     

基于对比自监督的遥感图像场景分类

基于视觉Transformer的自监督模型掩码自编码器因其优秀的全局特征捕捉能力，被广泛应用于遥感图像分类领域。但该模型存在图像重建训练时局部上下文语义信息易丢失从而限制其分类精度的进一步提升。针对以上问题，本文提出了融合掩码重建和对比学习的三阶段自监督遥感图像分类新模型——对比掩码自编码器。第一阶段进行掩码重建预训练，以提取遥感图像全局特征；第二阶段则通过对比学习中的正负样本补充第一阶段掩码建模过程中丢失的局部上下文信息；最后通过训练线性分类器完成特征分类。在公开遥感图像数据集AID和NWPU-RESISC45上将本文方法与主流自监督分类方法、监督分类方法进行对比实验。实验结果表明，该模型在两个数据集上分类精度分别达到95.37%和95.14%,性能优于DINO、MoCo、SSGANs等主流自监督模型，接近GLANet、CANet、MG-CAP (Sqrt-E)等主流监督模型，具有良好的应用价值。     

重视唐山的震后重建经验

《第一财经日报》报道，唐山市委书记赵勇认为，对于即将进入重建阶段的四川汶川地震灾区而言，唐山重建的经验教训值得借鉴。他列举的教训包括：一是唐山重建的选址没有避开地震断裂带，因此建议四川汶川地震的一些重灾区城市重建应避开地震断裂带；二是唐山重建时，急于让百姓住上房子，     

道路交通事故重建技术综述

道路交通事故重建技术是综合运用交通事故现场调查获取的证据材料对交通事故发生过程进行科学分析与推演。通过文献研究与实证研究表明道路交通事故重建技术发展历程经历手工重建、计算机辅助重建、车载电子信息辅助重建、视频监控信息辅助重建及交通大数据辅助重建5个阶段;总结了各阶段事故重建的关键技术和方法,并对道路交通事故重建技术在汽车网联化、智能化、电动化背景下的发展趋势进行了探讨。     

救援官兵的内疚

灾后心理辅导有三个阶段第一个阶段是应激阶段,涵盖了灾难发生和之后很短的一段时间。这段时间里,生存是第一任务,受灾群众会进行自救或营救他人,并从灾难中尽可能抢救财产。在这一阶段,人们联合起来对抗灾难,乐现地认为会很快回到灾害之前的情况,心理问题并不明显。第二个阶段是灾后阶段,一般是从灾后几天到几周之内。在这一阶段,各种各样的心理问题凸显出来,如果没有伴随相应的心理援助,他们马上就会因为发现灾难的损失和重建的困难,而感到强烈的失落。只有"心理救灾"与"物质救灾"同步进行,才能达到最佳的救灾效果。     

灾后重建中规划进程体系研究

文章通过分析国内外灾后重建的事例,以灾后重建中规划进程体系为研究重点,总结了影响重建规划进程的5个主要因素,以及重建规划进程的3个主要阶段和各阶段的规划重点,探讨了灾后重建规化进程的发展体系,并且结合我国汶川地震的实际情况,分析目前所面临的问题,提出解决对策。     

基于视觉显著性的分块自适应压缩感知算法

针对SAR图像的压缩感知重建问题,在分块压缩感知框架的基础上,提出了基于视觉显著性的分块自适应压缩感知算法.在采样阶段,每个子块的采样率依据显著信息自适应的变化;在重建阶段,根据不同图像显著信息的差异,自适应地滤波.实验结果表明:该方法不仅重建结果的整体质量更优,视觉效果更好,而且在重建后的图像中能更好地保持边缘和目标等重要特征.     

一种改进的在线字典学习图像超分辨率重建算法

为提高重建图像的质量,详细表达图像高频细节信息,提出了一种改进的在线字典学习图像超分辨率重建算法.该算法在稀疏重建的字典训练阶段,采用在线字典学习以获取最优的超完备字典.在稀疏系数表示阶段,考虑图像多尺度间的冗余信息,构造L1范数正则项补偿对,抑制稀疏系数噪声提高重建效果.实验表明,该算法可更好地恢复图像细节,在客观评价和主观视觉感知上图像的重建质量均有所提高.     

基于多字典 L1/2 正则化的超分辨率重建算法

为详细表达图像高频细节信息, 提高重建图像质量, 提出了一种基于多字典 L1 /2 正则化的超分辨 率重建算法。 该算法在稀疏重建字典对训练阶段, 为有效提取低分辨率图像边缘、 纹理等特征细节信息, 采用改进的一阶二阶导数方法对低分辨率图像进行特征提取; 而在图像重建阶段, 为解决基于 L1 正则模 型得到的解时常不够稀疏, 重建图像质量有待进一步提高的问题, 采用 L1 /2 范数代替 L1 范数构建超分 辨率重建模型。 实验表明, 与现有算法相比较, 该算法可更好地表达图像细节部分信息, 并能提高图像 的重建质量。     

一种基于L_(1/2)正则约束的超分辨率重建算法

为了提高重建图像质量,减少处理时间,提出一种基于L_(1/2)正则约束的单帧图像超分辨率重建算法.该算法在稀疏重建字典对训练阶段,为了有效提取低分辨率图像边缘、纹理等特征细节信息,采用小波系数单支重构方法对低分辨率图像进行特征提取;而在图像重建阶段,为了解决基于L1正则模型得到的解时常不够稀疏,重建图像质量有待进一步提高的问题,采用L_(1/2)范数代替L1范数构建超分辨率重建模型,并且采用一种快速求解的L_(1/2)正则化算法进行稀疏求解.实验结果表明:与现有算法相比较,该算法在重建图像主观和客观评价指标、算法运行速度等方面均更优.     

基于非局部相似性和分类半耦合字典学习的超分辨率重建

为了提升单幅彩色图像的超分辨率重建质量,提出了一种改进的基于学习的超分辨率方法.针对半耦合字典学习超分辨率算法训练精度不高的缺陷,采用稀疏域分类与半耦合字典学习交替进行的启发式策略.在训练阶段引入稀疏域非局部相似性约束项,使用改进了的非局部约束l1范数优化问题求解算法,训练得到多组高、低分辨率字典和映射矩阵.在重建阶段利用分类稀疏表示、非局部相似性并结合残差补偿进一步提高重建精度.实验结果表明,该方法在主观和客观评价标准下均取得了较好的重建效果,显著提升了超分辨率重建质量.     

联合稀疏表示和总变分正则化的超分辨率重建方法

为提高基于稀疏表示的图像超分辨率重建的质量,该文提出了联合稀疏表示与总变分正则化的超分辨率重建算法。首先,在字典训练阶段,从具有相似统计特征的训练图片中获取图像块,作为训练字典的样本,并用K-SVD算法进行字典训练,得到高、低分辨率的字典。在稀疏编码阶段,根据局部稀疏编码模型求解出低分辨图像的稀疏表示系数,再利用稀疏表示系数和高分辨率字典对输入低分辨率图像进行重建,得到高分辨率图像。最后,将重建得到的高分辨率图像进行总变分正则化优化,进一步提高重建效果。仿真实验结果表明,该算法在客观评价指标和主观视觉效果上,图像质量都有明显提高。     

土壤种子库在植被恢复与重建中的作用与潜力

土壤种子库是指存在于土壤上层凋落物和土壤中全都存活种子的总和．土壤种子库时期是植物种群生活史的一个重要阶段,也可称为潜种群阶段．概述了土壤种子库的基本特征、土壤种子库与地上植被的关系,着重对土壤种子库在植被恢复与重建中的作用进行了深入的分析,特别是探讨了影响土壤种子库在植被恢复与重建中作用的各方面因素,包括土壤种子库的自身特性、生境条件和不同干扰因子,以期为区域植被自然恢复与局部植被重建提供科学依据．     

帆船帆板运动员年度训练计划的探讨

通过查阅文献资料,提出制定帆船帆板运动员年度运动训练计划的基本模式,把全年计划分为基础训练阶段、第一组合练习训练阶段、第一顶峰阶段、第二组合练习训练阶段、第二顶峰阶段和恢复调整阶段6个阶段,并对各阶段的训练时间和训练方法进行了探讨,建议在年度训练计划中要设计弹性区域,以保证运动员伤病等的恢复时间。     

基于卷积神经网络的图像超分辨率方法研究

结合认知构架ACT-R模型(Adaptive Control of Thought-Rational),基于邻域嵌入算法和深度学习的图像超分辨率重建方法,构建一个应用于超分辨率重建研究的ACT-R研究模型.在匹配阶段,根据低分辨率(Low Resolution,LR)测试图像的结构和内容特征,运用图像的多尺度相似性和非局部相似性,对图像进行特征提取;在选择阶段,把邻域嵌入算法分为两层,进行邻域图像块的寻找,同时构建一个端到端的深层门限卷积神经网络,把从匹配阶段得到的高分辨率无细节小图像块输入到卷积神经网络中并得到输出图像,将输出图像与高分辨率无细节小图像块相加得到该低分辨率小图像块对应的高分辨率小图像块,最后把高分辨率图像块组合成高分辨率(High Resolution,HR)图像.决策阶段,我们进行实验并与其他方法对比.结果表明,该模型对单帧图像具有良好的重建能力,在视觉效果上和客观评价标准上都取得了不错的效果,能够较好的重建低分辨率图像.     

应急资源调度的补货策略问题研究

根据突发事件的特点,将突发事件的应急资源调度过程分为三个阶段。分别对应突发事件发生以前的资源储备阶段、紧急救援物资的调度阶段和用于灾后重建的一般资源调度阶段。考虑了突发事件需求和由于灾害影响资源运输时间滞后的不确定性,将应急资源管理与供应链管理中的补货策略相结合,三个阶段分别决策,提出使得考虑时间效应的综合成本最低的动态资源调度方案。     

电磁层析成像技术图像重建的仿真研究

电磁层析成像(EMT)技术的逆问题至今没有完全解决.在简单图像重建的基础上改进了EMT的反投影算法,应用了可以解第一类Fredholm积分方程病态问题的Landweber迭代法.通过重建结果的比较,Landweber迭代法是目前重建精度较高的EMT重建算法.     

一种基于多尺度结构自相似性的图像超分辨重建算法

多尺度结构自相似性是指图像中存在大量相同尺度以及不同尺度相似结构的性质。本文提出一种基于多尺度结构自相似性的超分辨率重建算法,该方法通过图像旋转和金字塔分解将输入图像的先验信息附加到训练库中,并对样本图像块聚类,分别训练针对各类的多个字典。在图像重建阶段,自适应选择最优字典,并利用相似图像块间的关系建立非局部约束项重建图像。最后利用迭代反投影算法进行图像后处理,进一步提升图像的超分辨率重建效果。实验结果表明,与SCSR、SISR和ASDS算法相比,本文算法能够取得边缘更为清晰的超分辨率重建效果。     

一种基于多尺度结构自相似性的图像超分辨率重建算法

多尺度结构自相似性是指图像中存在大量相同尺度,以及不同尺度相似结构的性质。提出一种基于多尺度结构自相似性的超分辨率重建算法;该方法通过图像旋转和金字塔分解,将输入图像的先验信息附加到训练库中;并对样本图像块聚类,分别训练针对各类的多个字典。在图像重建阶段,自适应选择最优字典;并利用相似图像块间的关系建立非局部约束项重建图像。最后利用迭代反投影算法进行图像后处理,进一步提升图像的超分辨率重建效果。实验结果表明,与SCSR、SISR和ASDS算法相比,算法能够取得边缘更为清晰的超分辨率重建效果。     

组织器官的修复与重建

组织器官的修复与重建一直是生物、医学等相关领域的焦点。组织和器官的可替代性和替代物是其核心问题。工程技术的介入,使组织器官的修复与重建也由单纯的器官移植发展到功能的替代和具有解剖学意义的人工替代物,并不断地寻找更加安全、有效、快捷的组织器官修复与重建途径。目前,基于自源细胞的细胞受控组装技术展现出良好前景,活的组织和器官的可制造技术随之进入一个新的发展阶段。在论述组织器官的修复与重建方法的基础上,提出了实现器官制造的新途径,即细胞一材料复合单元体三维受控组装技术。