本期推薦

1 基于Swin Transformer 的知識(shí)蒸餾模型在垃圾分類(lèi)上的應(yīng)用

在綠色發(fā)展的主題下，深度學(xué)習(xí)高效地進(jìn)行垃圾分類(lèi)方法亟待研究。在垃圾圖像分類(lèi)問(wèn)題中，大尺寸圖像包含著更豐富的信息。然而主流的基于CNN的深度學(xué)習(xí)難以從大尺寸圖片中提取長(zhǎng)序列特征。針對(duì)此問(wèn)題，文章基于垃圾圖像數(shù)據(jù)設(shè)計(jì)了基于Swin Transformer模型的算法框架。該算法框架不僅解決了長(zhǎng)序列特征提取問(wèn)題，還通過(guò)知識(shí)蒸餾方法解決了大模型體積過(guò)大難以部署的問(wèn)題。算法最優(yōu)準(zhǔn)確率為94.4%，相較CNN 結(jié)構(gòu)模型最高提升了11%的精度。為增加算法的實(shí)用性，文章使用了知識(shí)蒸餾方法把基礎(chǔ)模型縮小為原來(lái)的1/3。實(shí)驗(yàn)結(jié)果表明文章的算法框架能較好地應(yīng)用在大尺寸圖像分類(lèi)問(wèn)題中，并且知識(shí)蒸餾方法能高效地提升大模型的部署實(shí)用性。

6 基于改進(jìn)雙線性的細(xì)粒度圖像分類(lèi)方法

文章研究了基于雙線性卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合可變形卷積和核化網(wǎng)絡(luò)對(duì)動(dòng)物數(shù)據(jù)集進(jìn)行細(xì)粒度圖像分類(lèi)。其中，可變形卷積通過(guò)對(duì)特征值進(jìn)行調(diào)整，能自適應(yīng)被識(shí)別物體的特征邊界，核聚合網(wǎng)絡(luò)克服了BCNN僅關(guān)注線性相關(guān)的缺點(diǎn)，在非線性領(lǐng)域進(jìn)一步增強(qiáng)細(xì)粒度特征的提取能力，豐富了不同通道間的卷積特征。實(shí)驗(yàn)在不同動(dòng)物數(shù)據(jù)集上進(jìn)行，與BCNN模型、其他改進(jìn)BCNN的模型對(duì)比，精確度達(dá)到98.85%，同時(shí)證明了優(yōu)異的泛化能力。

11 多維度數(shù)據(jù)采集與融合的勞動(dòng)管理系統(tǒng)設(shè)計(jì)

隨著信息化時(shí)代的發(fā)展，許多傳統(tǒng)業(yè)務(wù)開(kāi)始利用信息化手段，將業(yè)務(wù)從線下轉(zhuǎn)移到線上，大大提升了工作的效率。而如今許多高校管理勞動(dòng)實(shí)踐活動(dòng)仍采用傳統(tǒng)的線下方式，存在效率低、人力成本高、活動(dòng)管理難、勞動(dòng)學(xué)時(shí)認(rèn)定難等問(wèn)題。盡管市面上社會(huì)志愿服務(wù)平臺(tái)普遍存在，但在結(jié)合社會(huì)志愿服務(wù)與高校勞動(dòng)實(shí)踐活動(dòng)管理相融合方面，仍存在平臺(tái)信息不對(duì)稱(chēng)、組織管理混亂、學(xué)生參與積極性低等問(wèn)題。為此，文章提出一種基于多維度數(shù)據(jù)采集與融合的勞動(dòng)管理系統(tǒng)的設(shè)計(jì)，以提高勞動(dòng)素質(zhì)實(shí)踐活動(dòng)的效率和質(zhì)量。該平臺(tái)通過(guò)多維度數(shù)據(jù)采集，將其他平臺(tái)志愿服務(wù)活動(dòng)融入系統(tǒng)中，結(jié)合高校勞動(dòng)活動(dòng)管理，向?qū)W生提供更多更好的志愿服務(wù)機(jī)會(huì)，培養(yǎng)學(xué)生的社會(huì)責(zé)任感和公民意識(shí)。