基于部件关注DenseNet的细粒度车型识别

针对细粒度车型识别率低，车型区别主要集中在鉴别性部件上以及深度学习不能有效对部件进行关注的问题，提出一种基于部件关注DenseNet(part-focused DenseNet, PF-DenseNet)的细粒度车型识别模型。该模型可以基于细粒度车型的车灯、车标等区分性部件进行有效分类，通过处理层(process layer)对车型部件信息反复加强提取并进行最大池化下采样，获取更多的车型部件信息，然后通过密集卷积对特征通道进一步复用提取，密集卷积前嵌入独立组件(independent component, IC)层，获得相对独立的神经元，增强网络独立性，提高模型的收敛极限。实验结果表明，该模型在Stanford cars-196数据集上的识别准确率、查全率和F₁分别达到95.0%、94.9%和94.8%，高于经典卷积神经网络，并具有较小的参数量，与其他方法相比实现了最高准确率，验证了该车型识别模型的有效性。     

一种新的基于SVM的文本分类增量学习算法

文本分类将自然语言文本按内容归入一个或多个预定义类别中,在许多信息组织和管理中都是一项重要的内容。不同算法的分类;佳确性各不相同。在文本分类领域,SVM分类器是一种常用且效果较好的分类器,具有较严密的理论基础。对SVM分类器进行了分析,提出了利用增量模式实现多类文本分类的算法。实验表明：增量方法大大减少新类增加时分类器更新所需要的学习步骤和时间,是一种较好的分类算法。     

特征融合AlexNet模型的古代壁画分类

目的 针对古代壁画图像自身特征提取存在的主观单一性和客观不充分性等问题,以经典AlexNet网络模型为基础,提出了一种结合特征融合思想的卷积神经网络模型,用于古代壁画图像的自动分类。方法 首先,由于大型壁画数据集较为缺乏,通过对壁画样本使用缩放、亮度变换、加噪和翻转等图像增强算法来扩大数据集,并提取壁画图像第1阶段的边缘等底层特征;其次,采用结构不同的双通道网络对提取的第1阶段特征进行第2阶段的深层抽象,得到两个通道的特征;最后,融合两个通道的特征,共同构建损失函数得到分类结果,从而提高模型的鲁棒性和特征表达能力。结果 实验结果表明,在构造的壁画图像数据集上,该模型最终达到了85.39%的准确率。与AlexNet模型以及一些改进的卷积神经网络模型相比,各项评价指标均有大约5%的提高;与未进行预训练的经典模型相比,本文网络结构不易产生过拟合现象;与结合预训练的经典模型相比,准确率大致上有1%~5%的提升,从硬件条件、网络结构和内存消耗上来说代价更小。由此验证了本文模型对于壁画图像自动分类的合理性和有效性。结论 本文提出的壁画分类模型,综合考虑网络宽度和深度的影响,能从多局部的角度提取壁画图像丰富的细节特征,具有一定的优势和使用价值,可进一步结合到与壁画图像分类的相关模型中。     

《微机原理》课程教学方法改革的探讨与研究

<微机原理>课程在计算机专业课程中占主导地位,但目前大多数计算机专业的学生对该课程不感兴趣.随着教育模式的转变,教学手段也在不断创新.结合教学实践,探讨在大学课程教学环境中,如何改进微机原理课程的教学过程和教学方法,力争达到更好的教学效果.     

基于多通道可分离网络的古代壁画分类方法

古代壁画艺术价值高、内容丰富,对壁画种类进行准确分类是研究者的难题之一.传统的壁画分类任务繁重且需要有经验的研究者完成;现有的图像分类算法已不适于分类含有较强背景噪声的壁画图像.针对以上问题提出了一种新的多通道可分离网络模型(multi-channel separable network model,MCSN)的解决方案.以GoogLeNet网络模型为基本框架,用小卷积核对壁画背景特征进行浅层提取,然后将7×7、3×3等较大卷积核十字分离成7×1、1×7和3×1、1×3等较小的卷积核提取壁画重要的深层次特征信息;使用软阈值化激活缩放策略(activation scaling)增加网络训练时的稳定性,最后通过softmax对壁画分类;使用小批量随机梯度下降(min-batch SGD)算法更新参数.精确率、召回率和F1值分别为88.16％、90.01％和90.38％.与主流分类算法相比,分类准确率、泛化能力、稳定性有了一定的提升,提高了壁画分类效率.