摘要：针对常用的目标检测算法对遥感图像中的舰船目标进行检测时存在检测精度与实时性兼顾不佳的问题,提出了基于特征融合的遥感图像舰船目标检测算法来检测复杂场景下的多尺度舰船目标.该算法以多尺度单发射击检测框架为基础,增加反卷积特征融合模块和池化特征融合模块,增强网络特征提取的能力.同时设计聚焦分类损失函数来解决训练过程中正负样本失衡的问题.在高分遥感舰船目标数据集上的实验结果表明,所提方法能够有效地增强复杂场景下舰船目标的检测精度.此外,该算法对遥感图像中的模糊舰船目标的检测效果也优于多尺度单发射击检测框架.

摘要：结合某卷烟厂卷接包车间信息化建设的现状和需求,引入J2EE架构体系和技术,设计并实现一个基于Web方式的全面实时监控系统。提出一种在J2EE架构平台上应用MVC模式的Struts框架开发大型厂级实时监控系统的思路和方法,介绍系统结构和功能,对系统后台数据库设计和系统实现中相关的关键技术进行了论述。

摘要：为了提高对复杂场景下多尺度遥感目标的检测精度,提出了基于多尺度单发射击检测(SSD)的特征增强目标检测算法.首先对SSD的金字塔特征层中的浅层网络设计浅层特征增强模块,以提高浅层网络对小目标物体的特征提取能力;然后设计深层特征融合模块,替换SSD金字塔特征层中的深层网络,提高深层网络的特征提取能力;最后将提取的图像特征与不同纵横比的候选框进行匹配以执行不同尺度遥感图像目标检测与定位.在光学遥感图像数据集上的实验结果表明,该算法能够适应不同背景下的遥感目标检测,有效地提高了复杂场景下的遥感目标的检测精度.此外,在拓展实验中,文中算法对图像中的模糊目标的检测效果也优于SSD.

摘要：介绍基于MVC设计模式的Struts框架的组成和实现原理,总结该开发框架的应用特点和开发步骤。在分析和比较其他基于Struts开发模式特点的基础上,提出基于Struts和存储过程结合的Web开发模式。结合具体实例探讨了该模式的Web应用与开发过程。

摘要：针对当前常用的舰船目标检测算法的精度与实时性兼顾不佳的问题,提出了基于特征融合的目标检测算法FFSSD,该算法以SSD算法和DSSD为基础,克服了SSD算法小目标检测精度低、DSSD算法运行时间长等缺陷。FFSSD算法选取轻量级VGG16网络作为特征提取的骨干网络,然后设计特征融合模块,将深层特征通过反卷积操作与浅层特征进行融合,得到结构层次丰富的融合特征,最终实现不同卷积层、不同特征的多元信息的分类预测与位置回归。在舰船光学遥感数据集上进行数据分析实验,平均检测精度(AP)达到85.9%,检测速度达到38.6FPS。实验结果表明,FFSSD算法能在实现实时检测的同时有效提高检测精度,实现对遥感图像中舰船目标的高精度检测。

摘要：本研究通过考察卷烟纸定量、透气度、助燃剂镁盐含量以及助燃剂中钾盐占比等对中支卷烟燃烧锥落头倾向的影响,并结合正交实验设计分析各参数对燃烧锥落头倾向的影响程度,最终选用针叶木与阔叶木纤维配比30∶70,碳酸钙含量为28%,柠檬酸钾、苹果酸钾和柠檬酸钠助燃剂复配,助燃剂钠钾比为1∶1.2、含量(柠檬酸根计)1.5%的设计方案进行优化,卷烟燃烧锥落头率从11.25%下降至3.75%。

摘要：针对传统聚类算法在对缺失样本进行数据填充过程中存在样本相似度难度量且填充数据质量差的问题,提出一种基于潜在因子模型(LFM)在子空间上的缺失值注意力聚类算法。首先,通过LFM将原始数据空间映射到低维子空间,降低样本的稀疏程度;其次,通过分解原空间得到的特征矩阵构建不同特征间的注意力权重图,优化子空间样本间的相似度计算方式,使样本相似度的计算更准确、泛化性更好;最后,为了降低样本相似度计算过程中过高的时间复杂度,设计一种多指针的注意力权重图进行优化。在4个按比例随机缺失的数据集上进行实验。在Hand-digits数据集上,相较于面向高维特征缺失数据的K近邻插补子空间聚类(KISC)算法,在数据缺失比例为10%的情况下,所提算法的聚类准确度(ACC)提高了2.33个百分点,归一化互信息(NMI)提高了2.77个百分点,在数据缺失比例为20%的情况下,所提算法的ACC提高了0.39个百分点,NMI提高了1.33个百分点,验证了所提算法的有效性。

摘要：针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比(GIoU)损失替换均方误差(MSE)损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值(mAP)指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数(FPS)亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。

摘要：基因型填补可以通过填补估算出在基因测序数据中未覆盖的样本区域弥补因技术限制导致的缺失,但现有的基于深度学习的填补方法不能有效捕捉到全序列位点间的连锁关系,造成整体填补准确率低、批量序列填补准确率分散等问题。针对这些问题提出一种融合卷积与自注意力机制的填补方法——FCSA,使用两种融合模块构成编解码器组建网络模型。编码器融合模块使用自注意力层得到全序列位点间的关联度,将该关联度融合到全局位点后再通过卷积层提取局部特征;解码器融合模块使用卷积对编码后的低维向量进行局部特征重建,应用自注意力层对全序列建模并融合。使用多物种的动物基因数据进行模型训练,并在Dog、Pig和Chicken数据集上进行比较验证,结果表明,与SCDA(Sparse Convolutional Denoising Autoencoders)、AGIC(Autoencoder Genome Imputation and Compression)和U-net相比,FCSA在10%、20%和30%缺失率下的平均填补准确率均取得了最高值,且批量序列填补准确率的分散程度较小;消融实验的结果也表明,这两种融合模块的设计能够有效提升基因型填补的准确率。

摘要：本文主要介绍了一种实用的连锁加油站IC卡加油计费系统 ,对共方案的设计做了具体的论述 ,并通过实例解释了IC卡读写器软件接口函数在Delphi5 0中的用法。