摘要：根据《关于加强和改进新形势下高校思想政治工作的意见》中提出的全员全过程全方位育人的“三全育人”要求,北京联合大学智慧城市学院计算机科学与技术专业开展了“专业思政”和“课程思政”建设的探索与实践。通过分析专业特点、专业核心价值及“专业思政”的载体,建立“专业思政”体系。在培养方案设计中融入思政元素,在课程大纲中明确思政目标要求,将“课程思政”作为“专业思政”的基础,以学生实践活动促进“专业思政”建设。计算机科学与技术专业的“专业思政”取得了初步成效,实现了思政建设与专业建设的有机结合,形成了有“三全育人”特色的专业人才培养模式。

摘要：人体姿态估计被广泛应用于运动健身、手势控制、无人超市、娱乐游戏等诸多领域,但姿态估计任务仍面临着诸多挑战。针对目前主流的人体姿态估计网络参数量大、计算复杂度高的问题,提出一种基于高分辨率网络的轻量级姿态估计网络(LitePose)。首先,采用Ghost卷积降低特征提取网络的参数;其次,通过采用解耦的全连接(DFC)注意力模块,更好地捕获远距离空间位置像素间的依赖关系,减少由于参数量下降而导致的提取特征缺失,提高人体关键点回归的准确率;然后,设计一个特征增强模块,对骨干网络提取的特征进行进一步增强;最后,设计一个新的坐标解码方法,降低热图解码过程中的误差,提高关键点回归的准确率。在人体关键点检测数据集COCO和MPII上对LitePose进行验证,并与当前的主流方法进行对比。实验结果表明,LitePose相比基线网络HRNet精度损失0.2%,但参数量不及基线网络的1/3,LitePose在保证少量精度损失的同时能够大幅降低网络模型的参数量。

摘要：六自由度(six degrees of freedom,6D)姿态估计是机器人抓取与操作、增强现实、自动驾驶等应用中的关键步骤。常规的6D姿态估计方法更多地侧重于设计复杂的网络来提高估计效果,而忽略了由于模型复杂度过高和参数数量庞大导致的实际部署困难问题。以FFB6D为基线,尝试设计了一个轻量级全流双向融合网络(lightweight full-flow bidirectional fusion network,LFFB6D),一种基于RGBD的轻量级6D姿态估计方法。该方法由卷积神经网络(convolutional neural network,CNN)与点云网络(point cloud network,PCN)两个并行的编码-解码网络组成。具体来说在CNN部分,引入FasterNet来代替3×3卷积。通过更换CNN的编码网络,提出了一个上采样模块FUPB(faster upsample block),以减少网络参数。在PCN部分,引入PoolFormer来处理和聚合点云特征。提出了一个新的池化模块PFPB(PoolFormer pooling block),以提高网络的性能。实验表明,LFFB6D的参数量相较FFB6D减少了46%。在仅使用1/13的LineMOD训练集和1/9的YCB-Video训练集的情况下,LFFB6D的6D姿态估计结果超越了PoseCNN、DenseFusion等方法,达到了与PVN3D和FFB6D相近的结果。

摘要：以卷积神经网络(CNN)为代表的深度学习模型主要面向图像、语音等均匀采样的同质欧氏空间数据,通常不适用于大量存在于工业等领域的异质、非均匀稀疏采样的结构化数据。针对异质、非均匀稀疏采样结构化数据集的预测任务,提出一种基于k近邻(kNN)算法和CNN的超球卷积神经网络学习模型。通过kNN预处理建立各样本在高维属性空间中的结构关系,将样本邻域内各样本的标记作为其属性重构样本集合,实现数据属性集从异质到同质的转化,进而通过合理设计CNN的卷积窗,有效提取和利用各样本的邻域空间中样本的标记分布特征,完成对未知样本的预测。在不同邻域尺度、软硬标记以及混淆非混淆等条件下进行实验,结果表明,该模型预测准确率达到98.04%,其准确率和召回率较FC-CNN、CNN、kNN和Radar-CNN算法分别提升0.28%~1.66%和4.78%~31.92%。

摘要：针对HRRP目标识别的传统识别方法识别率低、模型泛化能力不足,提出了一种适合HRRP样本数据的改进CNN模型;采用一维CNN对HRRP样本进行深层特征提取和目标识别,在构建CNN时引入BN算法加快了损失函数的收敛速度;设计了LGBM分类器作为CNN的分类层,有效提高HRRP识别率和识别速度,进一步提升了模型的识别性能;通过与改进前CNN和传统识别方法的对比实验,结果表明所提的改进CNN在提高目标识别率的同时也有效提升了识别速度,可为后续进行HRRP目标识别提供参考。

摘要：针对肺结节尺度差异大、边界纹理不清晰、背景干扰严重导致的肺结节分割不精确的问题,以3D U-Net为基础,引入Transformer结构,设计一种基于特征增强的多分支U-Net肺结节分割算法。Transformer从全局角度提取肺结节及周边组织的结构特征,浅层3D U-Net提取图像纹理特征;利用上述结构特征及纹理特征进行特征增强;多尺度残差块和3D坐标注意力对3D U-Net进行改进,用于提取特征增强后的肺结节多尺度信息,并在3D U-Net解码器基础上,对深层语义信息进行复用,最终实现肺结节分割。在LIDC-IDRI数据集上对该模型进行验证,精确度、敏感度、Dice相似性系数分别达到90.04%、86.64%、88.80%,综合分割性能优于其他算法。

摘要：语义分割算法能够对图像进行像素级的分类,广泛应用于无人驾驶、医学图像处理和工业自动化等领域,具有重要研究价值。对语义分割算法的研究集中在提升分割精度、降低参数量和增加推理速度3个方面。经典的轻量语义分割算法ENet使用多层卷积的编解码器和大量的空洞卷积来避免过多的下采样和利用空间信息,虽能保证一定的空间信息完整性与较大的感受野,但存在编解码器臃肿、空间信息传递性差、感受野溢出并造成网格效应等问题。对ENet算法结构进行裁剪,利用注意力机制和金字塔结构的空洞卷积设计了空间信息传递模块,优化算法结构,改善算法感受野,完整传递空间信息,提出了改进的ENet算法C-ENet+AM+RAM。在公开数据集Cityscapes和BDD100K上的实验结果表明,新模块能够以更小的参数量与计算量提升原有模型性能,证明了原算法删减部分的冗余性与所设计模块的有效性。

摘要：人耳具有丰富的结构特征,针对单一特征描述影响人耳识别率的不足,提出一种融合Haar型局部特征的人耳识别算法。算法采用符合人耳外部形状的椭圆形LBP算子与HOG算子,分别提取图像的纹理特征和边缘特征,将两种特征进行融合。利用Haar特征运算快捷的优势,引入到LBP和HOG特征提取中。通过分别设计的4组Haar编码模式,构建椭圆形LBP算子与HOG算子。对改进算法进行实验与分析,实验结果表明了算法的有效性和实用性。

摘要：目前,研究人员着眼于车载边缘计算(vehicular edge computing,VEC)环境下高效应用和资源调度策略的研究,然而,这些应用和策略的实机验证往往受限于成本和时间,无法快速有效地进行。边缘/雾计算仿真器如iFogSim2的出现降低了实验成本,然而,高速移动车辆的连接切换和资源分配需求对边缘/雾计算仿真器在VEC下应用提出了挑战。因此,改进了iFogSim2,设计了支持高速移动的VEC环境仿真器VECSim。集成开源基站数据并构建车辆轨迹数据集,以便研究人员专注于资源分配策略。首先,为了简化实验步骤,改进了移动轨迹数据解析模块并适配了微观交通仿真软件Simulation of Urban Mobility(SUMO)生成的车辆轨迹数据。其次,基于分布式数据流模型对VEC下的分布式应用进行建模,并提供了服务迁移基准策略算法。此外,VECSim还引入了时间性能优化方法,通过并行化操作,加速仿真事件处理,从而提高了仿真工具的时间性能。实验表明,相比于iFogSim2中同类的服务迁移算法,提出的服务迁移算法在大规模机动车轨迹数据集验证下表现出良好的稳定性,时间性能优化方法在执行时间上取得了5.3%的性能提升。代码开源地址:https://***/LiuZi-yuan-CS/VECSim。

摘要：人体姿态估计是计算机视觉中的基本任务之一,可应用于动作识别、游戏、动画制作等领域。当前深度网络模型的设计大多通过加深网络以获得更好的性能,结果导致计算资源的需求超出嵌入式设备和移动设备的计算能力,达不到实际应用要求。针对上述问题,提出了一种融合Ghost模块结构的轻量级网络模型,即使用Ghost模块替换原高分辨率网络中的基础模块,从而减少网络模型的参数量。此外,设计了非局部高分辨率网络,即在网络1/32分辨率阶段融合非局部网络模块,使网络具有获取全局特征的能力,从而提高人体姿态估计的准确率,并在保证模型准确率的前提下降低网络参数量。在MPII人体姿态估计数据集和COCO人体姿态估计数据集上的实验结果表明,所提网络模型与原高分辨率网络相比,在网络模型参数量降低40%的情况下,人体姿态估计准确率提升了1.8个百分点。