一种基于FCOS神经网络的小建筑物目标检测方法北大核心

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

高职院校共享式数据中心平台的设计与实现

本文以高校数据中心为例,从数据治理及数据应用两个维度介绍了数据中台在整个数字校园框架中的功能及位置。笔者以高校数据治理体系建设、治理方式和治理效果为导向,设计了数据中台治理体系架构,分析数据资产化过程中挖掘数据资产的重要性,实现高校数据资源价值的最大化,并将有价值的数据无缝接入数据中台,清晰转换生成数据仓库,为高校师生提供更好的数据服务。     

数字媒体技术的平面设计课程体系教学实践

阐述以职业能力为基本导向，数字媒体技术平面设计模块课程体系的构建策略，包括课程体系的构建过程、课程的整体设置、融入设计工作室模式、实现从软件工具转到创意设计。     

基于多尺度特征校准的图像协调化方法

图像组合是图像处理中一个重要操作，然而组合图像中前景区域与背景区域的外观不协调使得组合图像看起来不真实。图像协调化是图像组合中极其重要的一个环节，其目的是调整组合图像前景区域的外观使其与背景区域一致，从而让组合图像在视觉上看起来真实。然而，现有方法只考虑了组合图像前景与背景之间的外观差异，忽略了图像局部的亮度变化差异，这使得图像整体的光照不协调。为此，该文提出一个新的多尺度特征校准模块(MFCM)学习不同尺度的感受野之间细微的特征差异。基于所提模块，该文进一步设计了一个新的编码器学习组合图像中前景与背景的外观差异和局部亮度变化，然后利用解码器重构出图像，并通过一个对前景区域归一化的回归损失指导网络学习调整前景区域的外观。在广泛使用的iHarmony4数据集上进行实验验证，结果表明该方法的效果超过了目前最优的方法，验证了该方法的有效性。