摘要：面对教育全球化和高等教育国际化的挑战,安徽信息工程学院软件工程专业在教学模式、教学资源设计、智能信息化平台和学生成长地图等方面,对个性化人才培养模式改革进行有益的探索。

摘要：基于调频连续波(Frequency Modulated Continuous Wave, FMCW)的双功能雷达通信(Dual-Functional RadarCommunication, DFRC)系统具有时频利用率高、抗多普勒性能强、距离旁瓣低的特点。现有的FMCW-DFRC波形系统产生双功能性能恶化,并增加通信接收机的链路复杂度。设计了一种基于延迟断点映射(Delayed Breakpoint Mapping, DBM)FMCW的DFRC系统,通过啁啾周期内延迟断点位置的映射和被分割的簇间的相位进行数据调制。通信接收端在载波混频和欠采样后,在数字域实现去啁啾、码片对齐和数据解调,极大降低了接收端生成相干信号和ADC性能的需求。在雷达处理链路中,设计了断点区域删除与拼接(Breakpoint Area Deletion and Splicing, BADS)方案,使DFRC的雷达性能与无调制的FMCW一致。仿真结果表明,与无补偿的方案相比,BADS方案距离图像的副瓣幅度减小约37 dB,且不受调制数据的影响。与现有基于啁啾波形的DFRC方案的通信性能相比,DBM-FMCW降低了约3 dB误符号率。

摘要：目的现有低照度图像增强方法大多依赖于像素级重建,旨在学习低照度输入和正常曝光图像之间的确定性映射,没有对复杂的光照分布进行建模,从而导致了不适当的亮度及噪声。大多图像生成方法仅使用一种(显式或隐式)生成模型,在灵活性和效率方面有所限制。为此,改进了一种混合显式—隐式的生成模型,该模型允许同时进行对抗训练和最大似然训练。方法首先设计了一个残差注意力条件编码器对低照度输入进行处理,提取丰富的特征以减少生成图像的色差;然后,将编码器提取到的特征作为可逆流生成模型的条件先验,学习将正常曝光图像的分布映射为高斯分布的双向映射,以此来模拟正常曝光图像的条件分布,使模型能够对多个正常曝光结果进行采样,生成多样化的样本;最后,利用隐式生成对抗网络(generative adversarial network,GAN)为模型提供约束,改善图像的细节信息。特别地,两个映射方向都受到损失函数的约束,因此本文设计的模型具有较强的抗模式崩溃能力。结果实验在2个数据集上进行训练与测试,在低照度(low-light dataset,LOL)数据集与其他算法对比,本文算法在峰值信噪比(peak signal-to-noise ratio,PSNR)上均有最优表现、图像感知相似度(learned perceptual image patch similarity,LPIPS)、在结构相似性(structural similarity index measure,SSIM)上取得次优表现0.01,在无参考自然图像质量指标(natural image quality evaluator,NIQE)上取得较优结果。具体地,相较于18种现有显著性模型中的最优值,本文算法PSNR提高0.84 dB,LPIPS降低0.02,SSIM降低0.01,NIQE值降低1.05。在MIT-Adobe FiveK(Massachu-setts Institute of Technology Adobe FiveK)数据集中,与5种显著性模型进行对比,相较于其中的最优值,本文算法PSNR提高0.58 dB,SSIM值取得并列第一。结论本文提出的流生成对抗模型,综合了显式和隐式生成模型的优点,更好地调整了低照度图像的光照,抑制了噪声和伪影,提高了生成图像的视觉感知质量。

摘要：针对软件项目实践课程学生难以深入参与项目、软件技能存续性较弱的问题,融合OBE教育理念,提出了一种基于模仿模式和跨越模式的软件项目实践课程教学方法,并以信息管理系统项目为例,详细阐述了教学方法的案例库项目建设要求、模仿模式和跨越模式实施要素,为软件项目实践课程中学生更深入的学习参与和更持久的技能应用提供了可供借鉴的解决思路。

摘要：可见光与热红外跟踪（又称RGBT(RGB-Thermal)跟踪）的核心是有效地利用不同模态的信息，针对决策级融合中单分支产生低质结果影响算法判定目标的问题，提出一个用于RGBT跟踪的孪生混合信息融合算法SiamMIF。首先，使用孪生主干网络（SBN）进行多模态特征提取；其次，从信噪比的角度分析低质图像对双分支并行决策产生的影响，进而设计了一个信噪比驱动的信息交互模块（IIM）对低信噪比特征进行信息互补；再次，利用双流无锚跟踪头（ADH）对补偿后的特征进行分类回归；最后，采用自适应轻量决策模块（ALDM）对跟踪结果进行融合，并快速判定目标位置。在4个RGBT基准数据集GTOT、RGBT234、VOT-RGBT2019和LasHeR上的实验结果表明，所提算法在LasHeR数据集上的成功率和精确度分别为0.396和0.518，相较于APFNet(Attribute-based Progressive Fusion Network)提升9.4%和3.6%，在其他3个数据集上也能取得较好结果，且在GPU上的帧率能达到40 frame/s。

摘要：点击率(CTR)预测通过预测用户对广告或商品的点击概率,实现数字广告精准推荐。针对现有CTR模型存在原始嵌入向量未精化、特征交互方式偏简单的问题,本文提出自注意力深度域嵌入因子分解机(self-attention deep field-embedded factorization machine,Self-AtDFEFM)模型。首先,通过多头自注意力对原始嵌入向量加权,精化出关键低层特征;其次,构建深度域嵌入因子分解机(FEFM)模块,设计域对对称矩阵以提升不同特征域之间的交互强度,为高阶特征交互优选出低阶特征组合;再次,基于低阶特征组合构建深度神经网络(DNN),完成隐式高阶特征交互;然后,围绕精化后的嵌入向量,联合多头自注意力与残差机制堆叠多个显式高阶特征交互层,通过自注意力捕获同一特征在不同子空间上的互补信息,完成显示高阶特征交互;最后,联合显式与隐式高阶特征交互实现点击率预测。在Criteo和Avazu两大公开数据集上,将Self-AtDFEFM模型与主流基线模型在AUC和LogLoss指标上进行对比实验;为Self-AtDFEFM模型调制显式高阶特征交互层层数、注意力头数量、嵌入层维度及隐式高阶特征交互层层数等参数;对Self-AtDFEFM模型进行消融实验。实验结果表明:在两大数据集上,Self-AtDFEFM模型的AUC、LogLoss均优于主流基线模型;Self-AtDFEFM模型的全部参数已调为最佳;各模块形成合力以促使Self-AtDFEFM模型性能达到最优,其中显示高阶特征交互层的作用最大。Self-AtDFEFM模型各模块即插即用,易于构建和部署,且在性能与复杂度之间取得平衡,具备较高实用性。

摘要：针对人工定损方式无法满足智能汽车时代的发展要求,及传统汽车伤损检测模型精度低、信息少、难部署等问题,提出了改进YOLOv8的汽车伤损实例分割模型EIS-YOLO。在主干网络中设计了一个多尺度特征融合与通道数减小的CRDB模块,取代传统C2f模块,显著减少了参数量的同时提高了特征融合的能力;提出了保留高分辨率分支的HRFPN结构,以加强细节信息保留能力,增强细节与语义信息的交换,该结构通过AFF和BiAM注意力融合模块增强了深层传递,经由简化冗余连接的E-FPN完成特征融合。还增加了一个额外的输出头捕捉细小伤损,提高了模型对小目标伤损及伤损边缘的精确识别。在CarDD数据集上,主干网络部分提出的CRDB模块对比C2f模块实现了同架构下计算量减小20.15%,同时多任务平均准确率提升2个百分点,在此基础上,结合HRFPN结构与额外输出头设计的模型整体的准确率P_(B)、P_(M)相较于基准模型分别提升了4.4和6.6个百分点,且模型更轻量,计算复杂度更低。

摘要：随着智能移动终端的日益普及,人们越来越多地利用社交网络平台(如Twitter、新浪微博等)获取信息、评论和交流.虽然全球卫星定位系统(GPS)设备能够精确获取位置信息,但是大量用户出于隐私和安全的考虑不会直接共享自己的位置信息.因此,如何获取在线用户的地理位置成为了一个前沿的研究领域以及学术界和工业界共同关注的重要课题,并且成为众多下游应用的基础,例如基于位置的定向广告投放、事件/地点的推荐、自然灾害或疾病预警和网络犯罪的追踪等.详细总结了预测社交网络用户地理位置的方法、数据、评价体系和基础算法.首先,归纳了不同的定位任务以及相应的评价指标;其次,针对不同的任务梳理所用的数据类型和数据融合方式,并且,详尽分析了已有的信息抽取和特征选择方式及其优缺点;再次,对现有定位模型和算法进行分类,从地名词典、传统机器学习和深度学习3个方面对用户定位方法进行阐述和分析;最后,总结了社交网络用户地理位置预测的难点和面临的挑战,并展望该领域的发展趋势和未来研究所需要关注的方向.

摘要：近年来,随着人体姿态估计技术的发展,基于骨架关键点的手势识别技术应运而生。提出了一个GCPM-AGRU模型进行交通警察手势识别。为了更准确地定位人体关键点,对卷积姿态机(CPM)进行改进。在特征提取模块中加入残差思想、通道拆分和通道重组,设计后的特征提取模块更好提取图片特征;在CPM第一阶段加入并行多分支Inception4d结构,使CPM网络具有多尺度特征融合思想,有效改进对人体关键点定位的问题;提出基于注意力机制的GRU,通过为每帧分配不同权重来达到对每帧不同程度的关注,从而更好获取时间信息;结合时空特征信息进行交通警察手势识别。交通警察手势识别的准确度达到了93.7%,相比网络改进之前提高了2.95个百分点。

摘要：为了解决现有阴影去除方法中存在的性能瓶颈以及去除结果产生的色差问题,构建了一个特征分离和非阴影信息引导的阴影去除网络(FSNIG-ShadowNet)。在分离和重建阶段,利用自重建监督将阴影图像分离成直射光和环境光两部分,对光照类型和反射率进行特征解耦分离,设计解码器对分离的特征进行重新耦合以获得无阴影图像。在细化阶段,该网络关注阴影和非阴影的邻接区域,设计局部区域自适应归一化模块将局部非阴影区域颜色先验传递至阴影区域以减少两区域间的色差。实验结果表明,所提FSNIG-ShadowNet与其他优秀的方法相比取得了较有竞争力的结果。