网购乱象连连看

不久前,支付宝推出了"全民十年账单"服务。从注册之日起,第一次购物、第一次转账、第一次为手机充值,第一次为信用卡还款,第一次缴电费……每个人的十年账单都一一用漫画形象展现。根据账单显示,十年前,人均网上消费800元;十年后,人均网络支出20000元已经属于"拖后腿"级别。网购账单的变化,实际上体现着电商发展的变化。中国的网购,     

基于深度学习的铝厂工业自动浇筑中的图像识别

将深度学习的图像识别应用到工业生产中是一个重要的应用方向.相比传统图像处理,深度学习在图像识别中具有高识别率、抗干扰性强等特点.首先采用小波变换对图像去噪、归一化,然后利用多层卷积对图像进行特征提取并采用全连接层和softmax分类器进行分类实现图像识别.在铝厂工业自动浇注过程中,对已经浇注完成和未完成的图像进行识别、解决传统图像处理在工业生产中多干扰、亮度不足的情况下难以识别的问题.实验结果表明,采用小波变换与深度学习融合对图像进行识别的识别率可达到91. 88%,基本能满足铝厂工业生产的需要.     

多版本视频点播流媒体服务器集群资源分配方法

针对大规模移动学习应用背景下流媒体服务器集群资源分配过量或不均的问题,提出了一种面向移动学习系统的多版本视频点播流媒体服务器集群资源分配方法。该方法通过用户历史点播行为日志分析,挖掘在不同终端环境下用户点播行为的特征和规律,在此基础之上,采用排队论理论进行多版本视频点播中流媒体服务器集群资源分配建模,并通过实时预测用户请求到达率的变化情况,动态调整资源的分配,从而实现了集群资源的动态配置。实验结果表明,所提方法的平均服务拒绝率和资源利用率分别在1%和80%左右,既保证了用户体验满意度,又降低了系统服务成本。     

基于嵌入式GPU的车流量检测系统

交通拥堵是当今世界交通领域面临的主要问题之一,如何通过现有的交通设备获取更加精准的交通信息是亟待解决的问题。图像识别技术在智能交通系统中有着广泛的应用,基于深度学习的车流量检测技术是智能交通的重要组成部分。本项目设计了一个基于嵌入式GPU的智能车流量检测系统,该系统架设在NVIDIA JetsonTX2平台上,采用基于深度学习YOLO v3的车辆检测模型,检测道路上的车辆目标,设置兴趣区域,对检测到的目标进行识别计数,实现对交通视频的实时车流量检测。试验验证分析表明,该系统具有较高的检测精度。     

高职院校混合式教学改革的实践及思考--以浙江省级精品在线开放课程《国际金融实务》为例

随着"互联网+"教育对教学的广泛影响,开发建设数字化教学资源、实施线上线下相结合的混合式教学已成为高职院校课程建设、教学改革的发展方向。浙江省级精品在线开放课程《国际金融实务》混合式教学改革的实践表明,混合式教学模式能够实现激发学生学习兴趣、拓展课堂教学时间和空间、提升课堂教学互动、促进学生个性化自主学习、带动欠发达地区高职院校教学水平提升等效果。着眼未来发展,混合式教学改革还需从完善线上线下整体教学设计、完善教师建设应用在线课程的激励机制、完善在线课程建设应用的考核机制、教育行政主管部门加强顶层设计避免多平台重复建设等方面进一步推进,优化混合式教学改革的应用效果。     

终身学习理念下的中小学幼儿园教师职业生涯规划

在国家全面加强教师队伍建设的背景下,如何培养"四有"的骨干、卓越、教育家,中小学、幼儿园教师成为焦点,成为加强教师队伍建设的核心目标。从骨干到卓越到教育家体现了教师专业成长过程,如何让教师的专业成长的过程有时间表、路线图,在终身学习的理念下引导教师做好职业生涯规划是教师迅速专业成长的前提。     

基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法

在乳腺癌筛查的计算机辅助诊断过程中，乳腺肿块的精确分割至关重要.然而，乳腺肿块在X光成像中与背景灰度接近、形状不规则，使得精确分割面临很大挑战.为进一步提升分割性能，提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.首先，提出可分离卷积U-Net模型作为对抗网络中的生成器，以减少参数量和计算量；然后，在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息；最后，综合考虑类别不平衡、语义一致性等因素的影响，提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.实验结果表明，新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35%和99.72%的准确率，以及81.27%和82.01%的集合相似度，获得优于现有方法的分割性能.     

低算力深度学习下的图像卡通风格化研究

在深入研究图像风格迁移的基础上，提出了一种适用于图形处理器性能受限情况下，卡通（cartoon）图像风格迁移训练的生成式对抗网络(generative adversarial networks，GAN)．利用视觉几何组（visual geometry group，VGG）网络提取图片先验信息，实现学习过程的加速；裁剪cartoonGAN模型，在保证效果的基础上，使得低性能计算条件下的网络收敛成为可能；设计合理的损失函数，保证整体风格化效果．基于tensorflow 2.0构建试验平台，通过对试验结果分析可发现，该方法的迁移效果好，稳定性强，且收敛时间短．对算法的参数和初始化方法给出了相关讨论，并提出了进一步的解决方案．