摘要：相比于正常光照场景,照明不良昏暗场景干扰因素较多,图像处理较为复杂,且现有的昏暗目标检测,存在参数量大,识别准确率低等不足。针对昏暗场景下目标检测算法中存在误检与漏检等问题,提出以YOLOv5n算法为基础进行改进的昏暗场景目标检测算法Dim-YOLOv5n。利用嵌入全维动态卷积(omni-dimensional dynamic convolution,ODConv)的轻量化主干ODConv-MobileNetV2替换主干网络,在减少计算量的同时提高检测精度。基于RepGFPN(reparameterized generalized-FPN)方法设计更加轻量高效的LigGFPN(lightweight generalized-FPN)加强特征融合网络,以提高网络特征提取能力,并在此基础上,使用GhostConv(ghost convolution)替换传统卷积,以减少模型的参数量。实验结果表明,改进后算法与原算法相比,检测精度P和召回率R分别提高了5.3个百分点和5个百分点,平均精度均值mAP0.5:0.95和mAP0.5分别提升了8.2个百分点和4.6个百分点,改进的算法在保证模型较小的同时有效提高了检测准确率。

摘要：患者医疗健康数据信息的合理利用促进了医学研究机构的发展。针对目前患者与医疗研究机构间共享医疗数据隐私易泄露,以及患者对医疗数据的使用情况不可控的问题,提出一种支持受控共享的医疗数据隐私保护方案。首先,将区块链与代理服务器结合设计医疗数据受控共享模型,区块链矿工节点分布式构造代理重加密密钥,使用代理服务器存储和转换医疗数据密文,利用代理重加密技术在保护患者隐私的同时实现医疗数据安全共享。其次,设计用户权限动态调整机制,由患者与区块链授权管理节点交互通过授权列表来更新医疗数据访问权限,实现患者对医疗数据的可控共享。最后,安全性分析表明,所提方案可以在医疗数据隐私保护的同时,实现医疗数据动态共享,并且可以抵抗共谋攻击。性能分析表明,该方案在通信开销、计算开销方面具有优势,适用于患者或医院与研究机构间的数据受控共享。

摘要：联邦学习作为解决数据孤岛问题的有效方法,在服务器计算全部梯度的过程中,由于服务器的惰性和自利性会存在全局梯度不正确计算问题,因此需要验证全局梯度的完整性.现有的基于密码算法的方案验证开销过大.针对这些问题,提出一种理性与可验证的联邦学习框架.首先,结合博弈论,设计囚徒合约与背叛合约迫使服务器诚实.其次,所提方案使用基于复制的验证方案实现全局梯度的完整性验证,且支持客户端离线.最后,经分析证明所提方案的正确性,并经实验表明,该方案与已有的验证算法相比,客户端的计算开销降为0,一次迭代的通信轮数由原来的3轮优化到2轮,且训练开销与客户端的离线率成反比.

摘要：针对老人意外跌倒摔伤无法及时得到救助的问题,设计了一个基于视觉识别和多传感器的跌倒检测系统。系统以树莓派为核心,采用摄像头、传感器、定位模块、心率模块和窄带物联网(NB-IoT)模块采集和传输信息,实现了老人室外和室内跌倒检测。利用阈值检测和支持向量机(SVM)分类的方法提高了跌倒检测的准确率。利用监护App实现了老人状态和位置信息查询功能。实验结果表明:该系统室外和室内跌倒检测正确率分别为92.8%和91.0%。该系统能有效检测老人的跌倒行为并给监护人发送报警信息和定位信息,实现了智能看护老人。

摘要：在传统的作物病害识别的深度学习模型中,存在检测精度与效率不高的问题。针对上述问题提出一种轻量化的改进型MobileNet V2模型CA-MobileNet V2(coordinate attention),在提升检测精度的同时,部署在移动端便于种植者使用。在MobileNet V2中嵌入坐标注意力模块,提升模型的精度;加入TanhExp激活函数,加速模型收敛,增强模型的鲁棒性和泛化性;将模型部署到移动端APP中,使模型具有良好的可视化应用效果。在PantifyDr和Turkey-PlantDataset数据集上的对比实验结果表明,CA-MobileNet V2具有精度高和轻量化的优势。

摘要：融合梯级水电站短期调度中电网调峰与发电量相互制约的因素,探讨水电调度模型的设计及求解的改进型蝗虫视觉进化神经网络。调度模型设计中,依据水量平衡方程,在充分考虑机组出力限制、不规则震动区等与水头相关的复杂约束及尾水顶托影响下,构建以调峰效果与发电效益为性能指标的厂网协调短期调度模型。神经网络设计中,在已有蝗虫视觉神经网络基础上引入视觉残留机制、半波整流机制,以及在兴奋层引入局部均值滤波,获得能输出全局和局部学习率的改进型蝗虫视觉神经网络,进而借助混沌映射及山瞪羚优化算法设计状态更新策略,随后顺次连接此视觉神经网络及更新策略,获得能自适应调节参数的改进型蝗虫视觉进化神经网络。比较性的数值实验显示,该神经网络求解13个基准事例中7~13个事例及应用于贵州北盘江梯级电站的3种场景中至少2种场景下具有显著优势。

摘要：深度学习技术促进了学生课堂行为识别研究的发展,为精准刻画学生的课堂学习行为提供了有效途径。然而,该方法面临真实课堂场景下目标多、行为特征复杂等困难,导致行为识别准确率不高。基于此,文章提出了一种基于人物交互的学生课堂行为识别网络,将交互对象作为重要特征引入课堂行为识别,首先将原网络中的检测模块替换为YOLOv5s,然后引入欧氏距离减少冗余人-物节点关系,并设计新特征提取算法优化听课这类无交互物品的学生行为识别,最后通过实验验证了此网络有效性和准确性。文章通过研究,旨在为规模化课堂行为识别研究提供理论参考和实践借鉴,进一步优化课堂教学效果的过程化评价,促进教学质量提升。

摘要：针对野马优化算法存在种群多样性低、收敛速度慢和易陷入局部最优等问题,提出一种混合策略改进的野马优化算法(IWHO)。在马驹位置公式中引入基于饥饿游戏的Tent惯性权重,更好平衡算法的全局搜索与局部搜索能力;在放牧阶段引入折射镜像学习策略,利用折射镜像学习生成可行解的反向解,加快算法的求解速度;利用混合黄金正弦与飞蛾扑火算子,使算法跳出局部最优。将改进后的算法(IWHO)和其它算法在10个基准函数上对比测试,并通过Wilcoxon秩和检验和拉/压弹簧设计问题验证算法性能。仿真结果表明,IWHO在收敛速度和寻优精度上有明显改进。

摘要：用户的偏好具有聚合性和漂移性。现有推荐算法在序列建模框架中融合了交互时间相关性的建模,取得了很大的性能改善,但它们在建模时仅考虑了交互的时间间隔,使得它们在捕捉用户偏好的时间动态方面存在局限性。首先,提出了一种新的时间感知的位置嵌入方法,将时间信息与位置嵌入相结合,帮助模型学习时间层面的项目相关性。随后,在时间感知位置嵌入基础上,提出了时间感知的双塔自注意力序列推荐模型(TiDSA)。TiDSA包含项目级和特征级的自注意力模块,分别从项目和特征两个角度对用户偏好随时间变化的过程进行分析,实现了对时间、项目和特征的统一建模,并且在特征级自注意力模块,设计了多维度的自注意力权重计算方式,从特征维度、项目维度和项目与特征交叉维度充分学习特征之间的相关性。最后,TiDSA将项目级与特征级的信息相融合得到最终的用户偏好表示,并根据该表示为用户提供可靠的推荐结果。四个真实推荐数据集的实验结果表明,TiDSA的性能优于许多先进的基线模型。

摘要：遥感图像语义分割在土地资源规划、智慧城市等领域有着广泛的应用。由于高分辨率遥感的图像存在边界分割不清、小尺寸目标分割不清等问题,为此提出了一种基于U-net++的改进网络TU-net,该模型通过优化网络结构加强模型的特征提取能力,引入特征头细化模块,通过构建了两条通道来增强通道特征表示和空间特征表示,提升了对高层语义信息的解析能力;引入基于Transformer的注意力聚合模块来捕捉全局上下文信息,设计了十字窗交互模块,显著降低了计算复杂度;在解码器末端设计了一个动态特征融合块,以此得到多类、多尺度的语义信息,增强最终的分割效果。TU-net在两个数据集上进行实验,其中OA、mIoU、mF1分数均高于主流模型,Vaihingen数据集中小尺寸目标车的IoU和F1分数分别为0.896和0.962,比次优模型提升了5%和15.8%;Potsdam数据集中树的IoU和F1分数分别为0.913和0.936,比次优模型提升了6.3%和4.3%,实验结果表明该模型能够更精准地分割小尺寸目标及目标边界。