陆桂明博士教授硕士生导师河南计算机教育研究会
基于高效注意力模块的三阶段网络图像修复
第 22卷第 8期2023年 8月Vol.22 No.8Aug.2023软件导刊Software Guide基于高效注意力模块的三阶段网络图像修复周遵富1，2，张乾1，2，李伟1，2，李筱玉1，2（1.贵州民族大学数据科学与信息工程学院；2.贵州省模式识别与智能系统重点实验室，贵州贵阳 550025）摘要：现存的人脸图像修复方法，在图像大比例缺损或分辨率高的条件下合成的图像会出现图像纹理结构不协调和上下文语义信息不一致的情况，不能准确合成清晰的图像结构，比如眼睛和眉毛等。
为解决此问题，提出一种基于归一化注意力模块（NAM）的三阶段网络（RLGNet）人脸图像修复方法，能加快模型收敛速度并降低计算成本。
其中，粗修复网络对残损图像进行初步修复后，局部修复网络对残损图像局部进行细致的修复，基于归一化注意力模块的全局细化修复网络对残损图像整体进行修复，以增加图像的语义连贯性和纹理结构的协调性。
该方法在CelebA-HQ数据集上进行实验，结果表明在掩码比例为20%~30%时PSNR达到30.35 dB，SSIM达到0.926 9，FID为2.55，能够合成相邻像素过渡自然和纹理结构合理的人脸图像。
关键词：人脸图像修复；归一化注意力模块；三阶段修复网络；激活函数DOI：10.11907/rjdk.231474开放科学（资源服务）标识码（OSID）：中图分类号：TP391.41 文献标识码：A文章编号：1672-7800（2023）008-0196-07Three-stage Network Image Inpainting Based on Efficient Attention ModuleZHOU Zunfu1，2， ZHANG Qian1，2， LI Wei1，2， LI Xiaoyu1，2（1.School of Data Science and Information Engineering， Guizhou Minzu University；2.Key Laboratory of Pattern Recognition and Intelligent Systems of Guizhou， Guiyang 550025， China）Abstract：Existing face image inpainting methods， which synthesize face images under the conditions of large scale image deficiency or high resolution that will have inconsistent image texture structure and inconsistent contextual semantic information， and cannot accurately synthe⁃size clear image structures， such as eyes and eyebrows， etc. To solve this problem， This paper proposed a Rough-Local-Global Networks（RL⁃GNet） face image inpainting method based on a Normalization-based Attention Module（NAM）， which can accelerate the convergence speed of the model and reduce the computational cost. Among them， the coarse inpainting network performs the initial repair of the residual image and then the local inpainting network performs the detailed repair of the residual image locally； the global refinement inpainting network based on the normalized attention mechanism performs the repair of the residual image as a whole to increase the semantic coherence and the coordi⁃nation of the texture structure of the image. The method proposed in this paper is tested on the CelebA-HQ dataset. The results show that the PSNR reaches 30.35 dB and the SSIM value reaches 0.926 9 and FID is 2.55 at the mask ratio of 20%~30%， which can synthesize face images with a natural transition of adjacent pixels and a reasonable texture structure.Key Words：face image inpainting； normalized attention module； three-stage inpainting network； activation function0 引言图像修复是指补全图像中不同比例的缺失区域。
高职院校科研反哺教学的对策探讨
第35卷第1期2021年3月开封大学学报JOURNAL OF KAIFENG UNIVERSITYVol.35No.1Mar.2021高职院校科研反哺教学的对策探讨万是明（开封大学，河南开封475004）摘要:教学与科研是高职院校发挥教育职能的两条重要途径。
高职院校推进科研反哺教学具有必要性。
应依托教师科研创新团队和学生科研创新团队建设,从基础研究反哺理论教学、技术开发反哺实践教学、应用研究反哺双创（创新创业）教学三方面入手，加强教学与科研的互动，推动科研反哺教学。
高职院校科研反哺教学以提高人才培养质量为最终目的。
关键词：高职院校;科研反哺教学;科研活动;教学活动中图分类号:G712文献标识码:A2019年，国务院印发的《国家职业教育改革实施方案》（国发〔2019〕4号）中明确提出,“职业教育与普通教育是两种不同教育类型,具有同等重要地位”，要求职业教育“对接科技发展趋势和市场需求”,成为“专业特色鲜明的类型教育”遥由此可见,职业教育同样具备人才培养、科学研究、社会服务和文化传承四大职能。
这四个方面只有协调推进，才能达到为国家“提供优质人才资源支撑”的目的。
然而，长期以来，由于多种因素影响，高职院校教师科研动力不足，教学和科研分离，学生创新能力欠缺,科学研究职能没有得到充分发挥,那四个方面没有实现协调推进、共同发展。
教学促进科研、科研反哺教学，这一观点在普通教育尤其是普通高等教育中可以说是一个共识,但在高职院校还存在一些争议,大家对科研与教学的关系还存在不同看法。
在一些人看来,高职院校是典型的“教学型院校”,培养的是技术技能型人才，因此,高职院校的教师只要具有扎实的理论基础知识和实践能力就可以了,无须搞科研,搞科研会分散精力，在一定程度上影响理论知识教学和技能传授,导致教学成效下降,甚至有人认为,搞科研是浪费时间、精力，无益于教学。
这种观点将科研与教学对立起来。
还有一些高职院校的教师认为,科研与教学在实际工作过程中并无太多关联，教师搞科研,有些是基于自己的研究兴趣、研究方向,有些是文章编号:1008-343X（2021）01-66-03按照课题申报指南、期刊征稿需求等信息来确定选题,与自己承担的课程教学无关,在一定程度上说是“为科研而科研”⑴。
河南大学各学院专业硕士研究生导师名单
河南大学各学院专业硕士研究生导师名单（注：以专业代码升序和导师姓名汉语拼音升序排列）学科、专业代码及名称导师姓名及职称（学位）010101马克思主义哲学陈志生博士戈士国博士吕世荣教授王德军副教授徐宗华教授姚顺良教授原威则博士周宏教授010102中国哲学陈广胜副教授高秀昌研究员耿成鹏副教授乔凤杰教授徐仪明教授叶平博士张德宗教授朱丽霞博士010104逻辑学郭桥副教授李娜教授李振江教授010105伦理学马进举教授王德军副教授叶平博士赵清文博士010107宗教学梁工教授张德宗教授赵玉玲博士朱丽霞博士010108科学技术哲学郭桥副教授刘高岑教授宋伟副教授张纯成教授张耀兰副教授郑慧子教授朱荣英副教授020121政治经济学剧乂文教授李保民副教授刘东勋副教授许兴亚教授姚国琴副教授于金富教授020122经济思想史高保中副教授许兴亚教授姚国琴副教授朱秀云副教授020123经济史彭凯翔博士孙建国副教授王周宾副教授020124 西方经济学郭兴方副教授李恒副教授齐玲教授020125世界经济孔凡保副教授李恒副教授李素琴副教授李新功副教授王楚明教授吴腾华副教授杨宏恩副教授020126人口、资源与环境经济学董栓成副教授刘玉振副教授苗长虹教授王国印副教授徐晓霞副教授020201国民经济学程传兴教授杜乃涛副教授耿明斋教授李杰教授孙复兴副教授王相山副教授席春迎教授杨凤娟副教授杨宏恩博士赵涛副教授赵德友博士020202区域经济学耿明斋教授郭兴方副教授李小建教授乔家君副教授宋丙涛副教授孙建国副教授覃成林教授王相山副教授020203财政学陈冬红教授杜乃涛副教授李杰教授宋丙涛副教授王进杰教授夏杰长研究员赵治法教授020204金融学高保中副教授郝玉贵教授孔凡保副教授李新功副教授刘书印副教授彭兴韵副研究员王楚明教授王性玉教授魏成龙教授吴腾华副教授夏杰长研究员张彩玉副教授张庆升博士赵新顺副教授020205产业经济学付雪成副教授刘东勋副教授朱涛博士020206 国际贸易学程怀儒教授黄巍博士李素琴副教授苏科五教授020207 劳动经济学李保民副教授王周宾副教授于金富教授020208 统计学郝玉贵教授刘立强副教授史存海副教授杨凤娟副教授赵新顺副教授020209数量经济学董栓成副教授卢克平教授彭凯翔博士030101法学理论陈景良教授耿勇副教授郭桥副教授郭志祥副教授李林教授李振江教授王明锁教授吴祖谋教授030102法律史陈景良教授郭志祥副教授苏亦工教授翁有为教授徐立志教授030103宪法学与行政法学黄建水教授莫起生副教授田凯副教授王俊峰副教授030104刑法学郝守才教授焦占营副教授李振江教授刘仁文教授毛志斌教授司建军副教授王俊平副教授030105民商法学常鹏翱副教授郭乐平副教授黄建水教授李明山教授梁彗星教授王明锁教授030106诉讼法学耿勇副教授贺恒扬教授娄丙录副教授毛立华副教授宋炉安副教授吴泽勇副教授章武生教授周黎明副教授030107经济法学胡巍副教授娄丙录副教授张建伟副教授周黎明副教授030180法律硕士陈景良教授耿勇副教授郝守才教授黄建水教授李振江教授娄丙录副教授王明锁教授吴泽勇副教授030201政治学理论何云峰副教授庞洪铸副教授汪来杰副教授张胜利博士张向东副教授030203科学社会主义与国际共产主义运动范广军博士黑启明博士寇淑芳副教授刘献教授刘德定副教授张德昌副教授赵连文副教授030204中共党史何云峰副教授林志友副教授戚建庄教授史全生教授王德木教授郑延泽教授030206国际政治李学保博士孙君健副教授王创锋博士张德昌副教授郑雪飞副教授030207国际关系孙君健副教授王新谦副教授郑雪飞副教授030304民俗学陈江风教授高有鹏教授吴效群副教授张大新教授030402马克思主义民族理论与政策冯乃郁副教授马晓军副教授牛苏林研究员任崇岳研究员水镜君研究员原思明教授张倩红教授030501马克思主义基本原理程耀明教授崔赟副教授戈士国博士李庆春副教授吕世荣教授马树功教授邵先崇副教授吴爱梅副教授许兴亚教授张纯成教授赵连文副教授周宏教授朱荣英副教授030502马克思主义发展史陈志生博士于金富教授原思明教授原威则博士张德昌副教授周宏教授030503马克思主义中国化研究程耀明教授何云峰副教授邵先崇副教授王德木教授张兴茂教授朱荣英副教授030505思想政治教育李文山副教授刘济良教授马进举教授孟彩云教授施昌海教授王德军副教授王利英副教授吴淑汴副教授杨彩云副教授袁庆濮副教授张秉义教授赵清文博士郑邦山教授郑邦山教授040101教育学原理程凯教授扈涛教授刘济良教授刘黎明教授魏宏聚博士张新海副教授040102课程与教学论白新瑞副教授程凯教授胡良民教授李锐副教授林德全博士刘黎明教授刘清华副教授刘玉振副教授刘志军教授陶偌偈教授汪基德教授魏宏聚博士张明亮副教授张相学副教授张志平副教授040103教育史郝森林副教授何红玲副教授李申申教授刘卫东教授牛梦琪副教授王超明编审杨捷副教授赵国权副教授赵红亚副教授040104比较教育学杜静副教授郝森林副教授杨捷副教授040105学前教育学关少化副教授吕云飞副教授王瑶教授王峥博士魏明霞教授邢果副教授岳亚平副教授040106高等教育学康全礼博士刘黎明教授苗素莲博士宋伟副教授张德宗教授郑邦山教授040107成人教育学何红玲副教授姬忠林教授焦峰副教授李军政副教授刘卫东教授王北生教授夏家夫副教授于怀钦教授赵红亚副教授040301体育人文社会学高凤山教授曲天敏副教授王新平副教授殷红副教授赵建强副教授040302运动人体科学柳爱莲副教授牛英鹏副教授苏静副教授040303体育教育训练学丁英俊教授冯守东副教授李鹏副教授蔺新茂副教授刘红副教授屈东华教授时金钟教授王崇喜教授杨军教授杨改生教授易春燕教授袁凤生教授曾庆涛副教授张大超副教授赵宗跃教授040304民族传统体育学韩雪副教授洪? 浩副教授栗胜夫教授马彦君副教授乔凤杰教授050101文艺学付民之副教授耿占春教授胡山林教授金惠敏教授屠友祥教授张清民教授张云鹏教授050102语言学及应用语言学陈鹏飞副教授陈庆汉教授马惠玲副教授辛永芬副教授张宝胜教授050103汉语言文字学李一平教授魏清源副教授徐杰教授许兆真副教授杨永龙教授张宝胜教授张生汉教授050104中国古典文献学李景文研究馆员孟云飞副教授齐文榜教授吴河清教授050105中国古代文学曹炳建副教授耿纪平副教授华锋教授李贤臣教授史红伟副教授王立群教授王利锁教授杨国安副教授姚小鸥教授张大新教授张进德教授050106中国现当代文学白春超副教授侯运华副教授刘涛博士刘进才副教授刘景荣副教授孟庆澍博士沈红芳博士孙先科教授田锐生副教授魏春吉博士武新军博士张乐林副教授张先飞副教授050108比较文学与世界文学贺淯滨教授李伟昉教授梁工教授袁若娟副教授赵宁教授050201英语语言文学蔡新乐教授高继海教授关合凤副教授焦小婷副教授刘荡荡博士吕长发教授麻保金教授牛保义教授孙晓青副教授王宝童教授徐盛桓教授徐有志教授薛玉凤副教授杨朝军副教授翟士钊副教授张璟慧博士050202俄语语言文学刘文飞教授王宏起副教授闫吉青副教授张红副教授050211外国语言学及应用语言学蔡新乐教授郭尚兴教授姜玲副教授李淑静博士王运河副教授王振华教授杨莉藜副教授于善志副教授张克定教授050301 新闻学段汴霞副教授郭奇副教授郭常英教授韩爱平教授姬建敏教授李建伟教授刘小敏教授路振光教授马小泉教授王华生教授王刘纯教授王振铎教授闫现章教授袁喜生教授张举玺教授张天定教授050302 传播学陈庆汉教授李建设教授李淑芳副教授宋若涛副教授严励副教授杨海军教授赵建国教授郑祖玄博士050401艺术学段汴霞副教授胡山林教授李卫国副教授路庆平副教授强海峰副教授宋伟教授王凯歌副教授王彦发教授张大新教授张政法博士050402音乐学陈放教授陈家海教授陈荃有副编审耿玉琴副教授韩梅副教授黄慧慧副教授姬群副教授李长明副教授李新现副教授刘宏教授马俊芳副教授牛冬阳副教授邱雅洲副教授孙精诚副教授王思琦副教授谢嘉幸教授杨善武教授翟杰副教授张国强副教授张利君副教授赵娴教授赵登营教授赵为民教授朱敬修教授050403美术学黄瑞欣副教授贾涛副教授李明伟副教授马岭教授彭亚副教授彭西春副教授佟培基教授王宏伟副教授王彦发教授薛兴广副教授袁汝波教授赵振乾教授050404设计艺术学冯柯副教授柯宏伟副教授李丽副教授李合群副教授李建设教授刘汉州副教授倪凤祥副教授牛宁研究员杨国忠副教授杨焕成研究员张家泰研究员张建琦副教授赵维华副教授左满常副教授060101史学理论及史学史李振宏教授刘克辉副教授周祥森教授060104历史文献学龚留柱教授孔学副教授李景文研究馆员苗书梅教授阎现章编审张九洲教授张明华副教授赵金康副教授060105专门史程遂营副教授贾玉英教授李乐民副教授李振宏教授刘克辉副教授袁俊杰副教授060106中国古代史程民生教授段自成副教授龚留柱教授贾玉英教授孔学副教授李玉洁教授马玉臣副教授苗书梅教授牛建强教授涂白奎副教授张德宗教授郑传斌副教授060107中国近现代史郭常英教授黄正林教授栾景河副教授马勇教授马小泉教授闵杰教授宿志刚副教授王也扬教授闻黎明教授翁有为教授张艳博士张海鹏教授张九洲教授张莲波副教授赵金康副教授左玉河教授060108世界史刘波教授史晓红副教授孙君健副教授王金虎副教授阎照祥教授杨海军教授于沛教授张倩红教授周祥森编审070101基础数学刘浩教授冯淑霞博士郑驻军教授白永强博士张之正教授李怡君博士070102计算数学台雪成教授王波博士070104应用数学陈守信副教授李锐副教授李登峰教授卢克平教授闵林副教授宋锦萍副教授杨国胜教授张瑞凤教授赵建军教授070105运筹学与控制论宋晓新博士王秀琴副教授王治国副教授070201理论物理李蕴才教授罗有华教授夏晓智副教授赵高峰博士070202粒子物理与原子核物理王吉山博士070203原子与分子物理孙建敏博士070205凝聚态物理戴树玺博士杜祖亮教授黄亚彬教授李蕴才教授罗有华教授彭成晓博士王渊旭教授张杨副教授张华荣博士张伟风教授张兴堂副教授郑海务博士顾玉宗教授郭立俊教授黄明举教授毛艳丽副教授王长顺教授武四新教授周少敏教授070301 无机化学柏? 副教授党东宾副教授黄普选博士李明雪博士牛景杨教授陶偌偈教授王敬平教授吴志申教授武四新教授于兆文教授臧双全博士070302 分析化学董学芝教授李德亮教授李明静副教授刘绣华教授屈建莹博士王金中副教授杨建军教授张治军教授赵东保博士070303 有机化学常俊标研究员程森祥研究员丁涛副教授刘治国教授任铁钢副教授王华教授王超杰教授余学军研究员张晟卯博士赵永德研究员070304 物理化学李林松教授李亚敏博士王守斌副教授杨大纲副教授杨建军教授翟翠萍博士张敬来教授张平余教授070305高分子化学与物理崔元臣教授高青雨教授谷国团副教授郝成君副教授苗荣正研究员任志勇研究员石家华副教授王华教授吴志申教授叶文玉教授原思国研究员张国宝研究员张普玉副教授赵彦保教授周静芳副教授070501自然地理学丁圣彦教授郭廷中高工郭志永副教授马建华教授翟秋敏副教授张桂宾副教授朱连奇教授070502人文地理学高建华教授李永文教授梁留科教授苗长虹教授王发曾教授徐晓霞副教授姚静副教授070503地图学与地理信息系统孔云峰教授李爽博士李小建教授秦奋副教授秦耀辰教授孙九林院士闫卫阳副教授余明全副教授071001植物学崔香环副教授郝福顺副教授江静副教授苗雨晨副教授宋纯鹏教授张骁教授071002动物学谷艳芳副教授田兴华副教授郑合勋副教授071003生理学陈悦副教授韩正涛研究员鲁颖副教授王强教授王天仕副教授卫琮玲教授071005微生物学陈双喜副教授刘仲敏研究员王刚副教授杨生玉副教授张洪副教授朱显峰副教授071006神经生物学邓锦波教授蒋杞英副教授071007遗传学胡琳副教授李锁平教授尚富德教授王刚副教授王强教授王子成副教授071009细胞生物学安国勇副教授崔香环副教授郭蜀光副教授郝福顺副教授江静副教授苗琛教授苗雨晨副教授宋纯鹏教授许守明副教授张骁教授071010生物化学与分子生物学崔香环副教授董发才教授郝福顺副教授刘彬教授苗雨晨副教授石渊渊副教授张维娟副教授071010生物化学与分子生物学刘彬教授石渊渊副教授王憬惺研究员张维娟副教授071011生物物理学顾玉宗教授郭立俊教授毛艳丽副教授071012生态学陈海生副教授丁圣彦教授山仑院士尚富德教授武继承研究员郑合勋副教授077001教育技术学蔡建东博士陈志国教授侯宝顺副教授李社教副教授汪基德教授郑逢斌副教授077101基础心理学杜建政教授王恩国副教授王亚同教授许波副教授077102发展与教育心理学范丽恒副教授蒋艳菊副教授荆建华教授许远理教授赵俊峰副教授077103应用心理学丁桂凤副教授李永鑫副教授苏永华教授王滨副教授王瑶教授王明辉副教授赵国祥教授077301物理电子学黄明举教授张伟风教授张忠锁教授077303微电子学与固体电子学贺明副教授李亚巍博士王超博士王占国院士张杨副教授张伟风教授张兴堂副教授077403计算机应用技术曹奎教授陈志国教授郭拯危副教授姜保庆副教授李捷博士李红臣副教授刘景森副教授刘先省教授沈夏炯副教授谭红星副教授汪国安副教授王天芹副教授徐彬高工张连堂教授郑逢斌副教授077501环境科学董学芝教授郭廷中高工郭廷中高工吉欣副教授李德亮教授李尉卿研究员马建华教授马建华教授马同森教授翟秋敏博士翟秋敏副教授周艳梅副教授0803光学工程曹秋生研究员侯洵院士黄明举教授李银丽副教授毛艳丽副教授薛海忠高工尹国盛教授080501材料物理与化学杜祖亮教授张敏博士周少敏教授080502材料学潘卉博士孙磊博士杨国忠副教授张承志教授张平余教授张治军教授080503材料加工工程蒋晓红博士李小红副教授081101控制理论与控制工程毛海涛教授杨国胜教授赵建军教授081102检测技术与自动化装置陈新建高工丁菲副教授郭虹副教授毛海涛教授苏海涛副教授王庆国副教授杨德来高工081104模式识别与智能系统曹奎教授姜保庆副教授刘先省教授沈夏炯副教授杨国胜教授张帆博士081402 结构工程巴松涛教授级高工白宪臣副教授鲍鹏副教授胡少伟教授级高工孔德志副教授刘宏奎教授级高工马金城副教授张承志教授赵军教授081603地图制图学与地理信息工程孔云峰教授马蔼乃教授秦奋副教授081701化学工程陈丹云副教授陈蔚萍副教授李谦副教授毛立群副教授乔聪震副教授孙蓉副教授090102作物遗传育种李国申研究员李锁平教授王刚副教授100101人体解剖与组织胚胎学秦建武主任医师曲耀华教授闫素云教授100102免疫学白慧玲教授房佰俊博士冯健男教授高全立副主任医师郭宁教授兰炯采教授黎燕教授李淑莲副教授刘峰涛副教授刘广超副教授刘景汉教授刘静宇教授马远方教授沈倍奋院士魏旭东主任医师朱兴虎博士100103病原生物学郝宗宇主任技师黄红莹副教授孙会升副教授王哲主任医师许汴利主任医师许国强教授赵旭东主任医师朱谦主任医师100104病理学与病理生理学陈清副教授花亚伟主任医师皇甫超申副教授金家岩副主任医师刘慧副主任医师买玲研究员牛保华副教授任艳彩主任医师张艳莉副主任医师100201内科学陈宝平教授程冠昌教授崔永生主任医师韩大正副主任医师洪岩教授惠学志教授康玉华教授李四红教授孟德荣主任医师师延斌副教授索智敏副教授万琪琳教授王瑞华副教授杨存葆副教授张继文教授100204神经病学陈文武副教授何承副主任医师贺维亚主任医师刘大建主任医师鲁广秀教授田爱兰教授赵明副主任医师周玉璞主任医师100209 护理学白琴教授陈传波副教授贾彩凤副主任医师靳艳副教授路雪芹副教授王光荣博士王培席博士张运生副教授周新明副主任护师祝友元副研究员100210外科学杜信毅主任医师郭庆功主任医师李保印教授李铁强教授马万里副主任医师任学群教授施巩宁教授孙嵩洛副主任医师王晓教授夏荣龙副教授张世清教授张双林主任医师朱朝阳副主任医师100212眼科学方亚非副主任医师王永毅教授赵博副主任医师郑广瑛教授100214肿瘤学崔树德主任医师黎海亮主任医师李印主任医师罗素霞主任医师马智勇主任医师齐金星主任医师史朝晖副教授宋永平教授王建华主任医师赵志军主任医师100701药物化学胡国强博士张付利副教授100702药剂学陈洪轩副教授高春生副研究员金义光副教授李松武教授任晓文副研究员宋丽丽副教授万绍晖副教授王玮博士王春龙研究员王杏林研究员于培明副教授岳淑梅副教授张泽书教授100703生药学李钦教授100704药物分析学蒋庆峰研究员靳朝东研究员刘杰副研究员万绍晖副教授100705微生物与生化药学庞晓斌博士王天晓博士邹检平博士100706药理学陈百泉副教授杜钢军博士姬汴生副教授康文艺博士许启泰教授张忠泉副教授1008中药学陈百泉副教授杜钢军博士韩光副教授胡国强博士姬汴生副教授康文艺博士李钦副教授李更生副研究员毛振宾教授王军副研究员许启泰教授张保国教授张留记副研究员周玉新副教授1201 管理科学与工程丁庭选教授李煜副教授刘爱菊副教授田军教授屠巧平副教授王性玉教授杨雪博士张彩玉副教授赵新顺副教授丁庭选教授方青军博士海福安副教授郝玉贵教授李武立副教授刘建中教授刘新仕副教授马蔡琛副研究员彭兴副教授王性玉教授魏刚教授张秀英教授120202企业管理付雪成副教授高文书副研究员李煜副教授刘占军教授史存海副教授田军教授屠巧平副教授王发清副教授王金献教授魏成龙教授杨松贺教授张广德高工张明正副教授张太海教授郑志博士朱涛博士120203旅游管理陈蔚德教授程遂营副教授李永文教授梁留科教授申思副教授120204技术经济及管理高文书副研究员荆林波副研究员李新功副教授屠巧平副教授120301农业经济管理程怀儒教授楚明锟教授关学增教授马翠军副教授孟庆琦教授莫起升副教授庞洪铸副教授史战芳副教授王发清副教授许绍康副教授周铁项教授120402 社会医学与卫生事业管理楚明锟教授高留战副教授黑启明博士张世清教授120403教育经济与管理程秀波副教授关学增教授李桂荣副教授马翠军副教授孟庆琦教授宋伟副教授王星霞副教授于启新教授120404 社会保障楚明锟教授范广军副教授黑启明博士李保民副教授张昆仑教授赵治法教授120405土地资源管理陈常优副教授高建华教授秦明周教授余明全副教授朱连奇教授。
基于改进Faster-RCNN的目标检测算法研究
基于改进Faster -RCNN 的目标检测算法研究□闫新庆杨喻涵陆桂明华北水利水电大学信息工程学院T 互联网+技术In tern et Technology _______________________________________________________________【摘要】 目标检测是图像处理领域一个重要的研究方向，深度学习方法需要大量数据进行训练，训练的繁杂和复杂的网络结构限制了目标检测的速度。
本文基于Faster RCNN 的网络架构，创新性提出了丨ight tail Faster RCNN 网络架构。
light tail Faster RCNN 算法在保证精度的情况下，大大提升了处理速度。
在本文的设计中，通过将网络结构中的全连接层改为1*1的卷积层，来达到速度 的提升。
本文实验在PASCAL V 〇C 数据集上进行，较经典网络模型，在识别率略低的情况下，速率提升了一倍多。
在总体性能上显 著优于经典目标检测算法，通过对比实验的方法比较验证了本文提出方法的有效性。
【关键词】 目标检测 Faster RCNN 深度学习Abstract: Target detection is an important research direction in the field of image processing. Deep learning methods require a large amount of data for training, and the complex and complex network structure of training limits the speed of target detection. Based on the network architecture of Faster RCNN, this paper innovatively proposes the light tail Faster RCNN network architecture. The Light tail Faster RCNN algorithm greatly improves the processing speed while ensuring accuracy. In the design of this article, the speed is improved by changing the fully connected layer in the network structure to a 1 *1 convolutional layer. The experiment in this article is carried out on the PASCAL VOC data set. Compared with the classic network model, the speed is more than doubled when the recognition rate is slightly lower. The overall performance is significantly better than the classic target detection algorithm. The method comparison of the comparative experiment verifies the effectiveness of the method proposed in this paper.Keywords: Target detection ; Faster RCNN ; Deep learning引言目标检测与视频分析和图像理解有着密切的联系，近年来受到了广泛的关注。
微课在计算机组装与维修课程中的应用
微 课 在 计 算 机 组 装 与 维 修 课 程 中 的 应 用
●郑 州市信息技术 学校 朱 荣涛
微课 一词 最 早 由美 国人戴 维 ・
电脑公 司客户 提供装机 服务 学生 先 通过 微课 的学 习 ． 掌握 计算 机硬 件 组装 的要 点 和操作 步骤 ． 再 通过
１ ． 目标清 晰 ， 指 向性 明确 微课 是 为 了某 一 具 体 教 学 目标 而 选 择
与 设计 的时 间短 、 内容精 的教 学材 料 与教 学活 动 的总 和 ． 所 以微 课在
遍存 在教 师 只管讲 、 学 生 听不进 的
局面． 时间一 长学 生就 会 出现厌 学
等 负面情 绪 。 使 教学难 以继续 。计
学 目标 的定 位 上也更 清 晰 ． 必 须具 有 很强 的 目标 指 向性 ． 以充分 体 现 “ 微” 这一特色 ２ ． 课不 可滥用 。微课不 能成 为 教学 内容 的堆积 。现在 很多老师认 为有 了微 课 ． 上课放视频 就行 了 ． 这
是 一个误 区 微课一定 要 出现在最
能大大提 升 ４ ． 任务评 价 。 在评 价 阶段 ． 教 师
采 用 多元 评 价 ． 即组 内 自评 、 组 间 评价 、 教 师 评 价 的 方式 ， 全 面 评 价
题突出 、 短小精悍等特点 ， 我 校 教
师 近 两 年 来 在课 堂 中采 用 了微 课 教学． 将 重难 点 制作成 微课 引 入到
各 工 作 小 组 分 析 本 任务 中需 要 用 到 的技 能 ．需 要 准 备 的 硬件 工具 等 。分 析 完毕 由各 组长进 行 汇报 ，
河南省教育厅关于成立经济学类等12个省级硕士专业学位教育指导委员会的通知
河南省教育厅关于成立经济学类等12个省级硕士专业学位教育指导委员会的通知文章属性•【制定机关】河南省教育厅•【公布日期】2015.12.28•【字号】教研〔2015〕1146号•【施行日期】2015.12.28•【效力等级】地方规范性文件•【时效性】现行有效•【主题分类】高等教育正文河南省教育厅关于成立经济学类等12个省级硕士专业学位教育指导委员会的通知教研〔2015〕1146号各研究生培养单位：为适应我省研究生教育发展需要，进一步加强对硕士专业学位研究生教育工作的指导，经研究，决定成立经济学类等12个省级硕士专业学位教育指导委员会（以下简称“教指委”），现将各“教指委”组成人员名单予以公布（见附件1）。
“教指委”成员由单位推荐，省教育厅选聘。
为规范“教指委”的工作，充分发挥“教指委”的作用，我厅参照国务院学位委员会、教育部、人力资源和社会保障部《关于印发〈专业学位研究生教育指导委员会工作规程〉的通知》（学位〔2011〕65号）制订了《河南省专业学位研究生教育指导委员会工作规程》（见附件2），各“教指委”应根据该工作规程，积极开展相关工作，切实促进我省专业学位研究生教育健康发展。
附件：1.河南省硕士专业学位教育指导委员会名单2.河南省专业学位研究生教育指导委员会工作规程河南省教育厅2015年12月28日附件1河南省硕士专业学位教育指导委员会名单一、河南省经济学类硕士专业学位教育指导委员会（一）涵盖的硕士专业学位类别金融硕士、应用统计硕士、税务硕士、国际商务硕士、保险硕士、资产评估硕士。
（二）成员名单主任委员：随新玉河南财经政法大学副主任委员：蔡玉平郑州大学董栓成河南大学委员（按姓氏笔画排列）：王作功河南大学刘定平河南财经政法大学李燕燕郑州大学张占东河南财经政法大学徐荣梅河南财经政法大学屠巧平河南大学潘克勤河南财经政法大学二、河南省法学类硕士专业学位教育指导委员会（一）涵盖的硕士专业学位类别法律硕士、社会工作硕士。
模糊聚类分析在Web页面分类中的应用研究
１０ ． ０
计算机 与数字工程
第 ３ 卷 ５
模 糊 聚类 分析 在 Ｗｅ ｂ页面 分类 中 的应 用 研 究
陆桂 明 ’ 杨 战胜 裴 阳洁 ’ ’
（ 华北水利水 电学 院现代教育技术中心” 郑卅ｌ ４０ １ ） 华北水利水 电学 院信息工程系 郑卅 ４ ０ １ ） ５０ １ （ ’ ｌ ５ ０ １ 摘 要 通过对 Ｗｅ ｂ页面 中关键词汇的记录和对 Ｗｅ ｂ页面特征抽 取建立 Ｗｅ ｂ页面的信息情况 ， 运用模糊数学方法建 用 相似 系数
编网法 ， 就是取定 Ａ水平 ， 对模糊相似矩 阵 Ｒ
收到本文时间 ：０ ６年 ５月 ２ ２０ ９日 作者简介 ： 陆桂明 ， ， 男 教授 ， 硕士生导师 ， 河海 大学博士研究生 。杨 战胜 ， ， 男 硕士研究生 。裴 阳洁 ， ， 女 硕士研究生 。
论 ， 模糊 问题 划分 提供 了有力 的分 析工具 。从此 对 人们 开始 运用模 糊 方法来处 理 聚类 问题 ， 糊 聚 即模
ｌ— ｄ ｘ 一 ） ｃ（ｉ
ｄ （
） ＝
— ｊＩ ｘ ｋ
２ ３ 聚 类的两 大类 方法 （ ． 求动 态聚类 图 ） １基 于模 糊 等 价 矩 阵 聚 类 方 法 ， 传 递 闭 包 ． 如
的时间 和空 间复杂度 变 的非 常大 ， 是模糊 等 价矩 这
常用的聚类方法有： 传递闭包法 、 ｏｌ矩 阵法 、 Ｂｏ ｅ 直 接聚类法 、 最大树法 、 网法。本文是运用编 网法 编
对 Ｗｅ ｂ页面进 行 的聚类 。
阵聚类法的主要缺陷。
２ 直 接聚类 法 ， ． 如编 网法 和最大 树法 。 利用 模糊 等价矩 阵 聚类 的方法 ， 得到模 糊 等价 关 系矩 阵后 ， 取适 当的水平 Ａ截 取 ｔＲ ， 到普 选 （ ）得
数字技术赋能高校“智能+”会计虚拟教研室建设路径创新与实践
数字技术赋能高校“智能+”会计虚拟教研室建设路径创新与实践王朋吾，张祥瑞（哈尔滨商业大学会计学院，黑龙江哈尔滨150028）[摘要]传统的教研室教学资源比较匮乏，即使与外校建立了伙伴关系，但由于地理位置的原因，缺乏有效的信息交流，难以实现有效的资源共享，导致教育教学资源浪费。
会计虚拟教研室借助信息网络系统，可以共享教学资源，有效整合和管理教学资源，防止重复开发和利用。
借助数字技术，结合一流专业的会计虚拟教学实验室特点，对目前高校会计虚拟教学实验室的建设路径进行了梳理和归纳，并对其在“智能+”环境下的应用实践进行了探讨。
[关键词]数字技术；“智能+”会计虚拟教研室；路径创新[中图分类号]G420[文献标识码]A[文章编号]1009-6043（2023）07-0163-03Abstract:The traditional teaching and research section is relatively short of teaching resources.Even if it has established a partnership with other schools,it is difficult to realize effective resource sharing due to the geographical location and the lack of effective information exchange,which leads to the waste of education and teaching resources.With the help of information network system,the virtual teaching and research section of accounting can share teaching resources,integrate and manage teaching resources effectively,and prevent repeated development and utilization.With the help of digital technology,combined with the characteristics of the first-class professional virtual teaching laboratory of accounting,the study sorts out and summarizes the construction path of the current virtual teaching laboratory of accounting in colleges and universities,and probes into its application practice under the "intelligent +"environment.Key words:digital technology,"intelligent +"virtual teaching and research section of accounting,path innovation[作者简介]王朋吾(1977—)，陕西兴平人，副教授，博士研究生，研究方向：会计与财务控制；张祥瑞(1998—)，女，黑龙江齐齐哈尔人，硕士研究生，研究方向：财务管理。
我国智慧课堂研究现状及发展趋势 基于CiteSpace的知识图谱与量化分析
我国智慧课堂研究现状及发展趋势基于CiteSpace的知识图谱与量化分析1. 引言1.1 研究背景智慧课堂是指利用现代信息技术手段对传统教学模式进行全面创新和优化，实现教学资源的数字化、个性化、互动化和智能化。
随着信息技术的快速发展和普及，智慧课堂已经成为教育领域的一个重要研究方向。
在智慧课堂中，教师可以利用各种数字化工具和平台来提供更加丰富、生动和个性化的教学内容，学生也可以通过互动式学习和自主学习来提高学习效果。
随着智慧课堂在我国教育领域的推广和应用，相关研究也越来越受到关注。
研究人员希望通过对智慧课堂的深入研究，探索其在提高教学效果、促进学生学习兴趣和发展创新能力等方面的作用机制，为教育改革和教学实践提供理论支持和实践指导。
对我国智慧课堂研究现状及发展趋势进行深入剖析和总结具有重要意义。
【研究背景】中的内容至此结束。
1.2 研究目的本研究旨在通过综合分析智慧课堂领域内的文献资料和研究成果，深入探讨我国智慧课堂的研究现状和发展趋势。
具体目的包括：1.探讨智慧课堂在中国教育领域的应用情况和效果，分析智慧课堂对学生学习成绩、学习兴趣和教学效果的影响。
2.识别智慧课堂研究中存在的研究热点和趋势，揭示学者们在这一领域中关注的重点问题和未来研究方向。
3.借助CiteSpace的知识图谱和量化分析方法，系统梳理智慧课堂研究的知识结构，揭示学术界在这一领域的发展脉络和学术交流网络，为今后的研究提供参考和指导。
4.最终旨在为智慧课堂的实践和发展提供理论支持和科学建议，促进我国智慧课堂建设的深入发展，提高教育的质量和水平。
1.3 研究方法研究方法是科学研究的核心环节，对于智慧课堂研究而言也不例外。
本文采用了文献综述、知识图谱分析和量化分析相结合的方法，以全面了解我国智慧课堂研究现状及发展趋势。
具体研究方法如下：我们进行了大量文献综述，对智慧课堂相关研究进行了系统性整理和分析。
通过文献综述，我们可以了解到智慧课堂研究的发展历程、研究现状和研究热点，为后续的研究提供了重要参考。
计算机辅助教学五位专家简介_045
主要研究成果
• 1997年以来在国内《外语界》、《外语与外语教学》、 《中国外语》、《外语电化教学》、《中国大学教学》 、《大学英语》以及国外《教学与学习》等外语类核心 及统计源刊物发表外语教学方面的学术研究论文20余篇 。 • 他在1998-2001年间合作主持出版了多媒体教材《大学 英语精读》，2001年该套光盘获国家优秀教学成果二等 奖，广东省优秀教学成果一等奖。 • 2002—2004年期间主持完成了国家“十五”规划教材《 大学体验英语》及其网络课程系统（高等教育出版社） 。于2001年获国家教学成果二等奖（排名第二），广东 省教学成果一等奖。 • 贾国栋目前担任教育部大学外语教学指导委员会副主任 委员、教育部全国大学英语四、六级考试委员会副主任 委员、北京市大学英语研究会副理事长等职。他也是国 际英语教师协会会员、亚洲英语教师协会会员。
黎家厚
• 1986年，华南师大电化教育专 业硕士研究生；1989年获教育 学硕士学位。1990.西北师大 教科所，教学论专业博士研究 生；1993年获教育学博士学位 。已有35年从事教学的经历， 从小学生教到研究生，将自己 的全部精力投入到教育技术的 研究和教学中。
主要研究方向
• • • • 教育技术学原理 信息技术教育 教学设计 教师教育信息化
文秋芳教授主要著作
• • • • • • • 《英语语言学导论》 《英语学习策略论》 《外语口语测试与教学》 《应用语言学研究方法与论文写作》 《英语学习的成功之路》 《学习者可控因素与英语成绩的关系》 《英语学习策略实证研究》
文秋芳教授主要研究项目
• “学习者可控因素与大学生英语成绩之间 的关系” • “英语学习者动机、观念和策略的变化规 律与特点” • “中国大学生英语写作能力发展的规律与 特点” • “全国英语专业八级口语与口译考试可行 性研究” • “中国大学生英语口语能力发展的规律与 特点”
基于“课程思政+知识图谱”的材料专业高质量课程建设探索与实践
基于“课程思政+知识图谱”的材料专业高质量课程建设探索与实践作者：卢艳丽王洪强高峰叶奇来源：《高教学刊》2024年第20期摘要：该研究基于国家级一流本科课程、全国工程专业硕士学位研究生教育在线课程建设项目，和西北工业大学“课程思政”示范课程建设项目以及知识图谱，面向材料专业学生，针对航空航天用高性能金属材料课程，教学过程中的课程思政进行探索与实践，有望从基于知识图谱的新形态课程内容建设、思政内容的挖掘、教学模式和考核方式等几方面，为探索“课程思政+知识图谱”在高等学校工科类材料专业课程中的实现途径提供理论参考。
关键词：一流课程；课程思政；知识图谱；材料科学与工程专业；探索与实践中图分类号：G642 文献标志码：A 文章编号：2096-000X（2024）20-0038-04Abstract： Based on the national first-class undergraduate courses， the national engineering master's degree online course construction project， the "Curriculum Thinking and Politics" demonstration course construction project of Northwestern Polytechnical University and the Knowledge map， this study explores and practices the curriculum thinking and politics in the teaching process of high-performance metal materials for aerospace for students majoring in materials. It is expected to provide theoretical reference for exploring the realization way of "curriculum ideology and politics + knowledge graph" in engineering material courses in colleges and universities from the aspects of new form of curriculum content construction， ideological and political content mining， teaching mode and assessment method.Keywords： first-class; curriculum ideological and political education; knowledge graph; materials science and engineering; exploration and practice立德樹人是我国高等学校人才培养的根本任务[1]。
我国下一步农村综合改革的目标_重点和难点
２００１年９月，我向党中央、国务院递交的《坚持“三位一体”深化农村改革：一个乡镇党委书记关于我国下一步继续深化农村改革的五十条政策建议》中提出：“我国２０多年来的农村改革，都是单项突破、孤军深入而缺乏整体性、系统性、协调性和上下连动性，由此造成了某项改革措施一经出台，又引发新的矛盾和问题产生，结果导致了无序、混乱、失控、垄断、内耗和低效等滞后效应。
下一步应坚持统筹城乡改革与发展的思路，按照整体推进与重点突破相结合的原则，全面深化农村经济体制和政治体制的改革，协调推进农地产权制度、农民收入分配制度和农村基层行政管理体制三位一体的综合性配套改革，不断增强农村发展的内部活力，不断扩大基层民主政治建设”。
［１］２００１年１１月，中央农村工作领导小组办公室在给我的回信中说：“当前我国正处在结构转型和制度转型的交叉时期，从宏观、中观到微观层面的改革都不同程度地出现了滞后现象，由此导致结构转型得不到制度转型的有效支持，成为制约当前我国农业和农村发展、农民增收的深层次体制障碍。
您在来信中提出的许多观点和政策建议确有价值，中央领导已作出重要批示，让我们把它转交给党的十六大报告起草小组和２００２年中央农村工作会议筹备组参考”。
［２］２００２年１０月，党的十六大召开以后，相继提出了“全面建设小康社会”、“统筹城乡经济社会发展”、“多予、少取、放活”、“把解决好‘三农’问题作为全党工作的重中之重”、“工业反哺农业、城市支持农村”、“建设社会主义新农村”和“构建社会主义和谐社会”等一系列大政方针，连续出台了三个指导农村工作的“中央一号文件”，制定了更直接、更有力、更有效的支持农业发展和农民增收的配套政策措施，因此“近两年农村形势比较好，主要标志是：粮食增产、农民增收、群众高兴”。
［３］但也必须清醒地认识到，当前我国农业和农村发展仍处在艰难的爬坡阶段，农业基础设施脆弱、农村社会事业发展滞后、城乡居民收入差距不断扩大的矛盾依然突出，要从理论和实践上真正解决“三农”问题，我们还有很长的路要走，需要不断探索。
“计算机网络体系结构”线上教学案例
The Science Education Article Collects No.13,2021 Sum No.5292021年第13期总第529期摘要“计算机网络体系结构”是计算机科学与技术、计算机技术专业硕士研究生的核心专业课，2019—2020学年第一学期，受河南省研究生教育优质课程资助，针对信息工程学院2019级的32名（25名脱产、7名非脱产）硕士研究生，融合在线视频和企业微信，开展了“计算机网络体系结构”线上视频学习和企业微信群关键知识点讨论相结合的混合式教学模式，教学效果良好。
关键词计算机网络体系结构；企业微信；随机提问A Case of Online Teaching for“Computer Network Ar-chitecture”//ZHENG RuijuanAbstract“Computer Network Architecture”is a core profes-sional course for postgraduate students majoring in computer sci-ence and technology,and computer technology.During the 2019-2020-1semester,funded by the He’nan provincial quality courses for postgraduate education,targeting32postgraduate students(25full-time,and7non-full-time)from the School of Information Engineering in2019,7non-full-time),this paper launched a blended teaching model combining online video learning and discussion of key knowledge points on corporate WeChat for“Computer Network Architecture”,having achieved a good teaching effect.Key words Computer Network Architecture;corporate WeChat; random asking1教学资源“计算机网络体系结构”课程的前身为河南省研究生教育优质课程———“计算机网络原理”（编号：HNYJS2016KC13）。
基于YOLOX-S的车窗状态识别算法
第61卷 第4期吉林大学学报(理学版)V o l .61 N o .4 2023年7月J o u r n a l o f J i l i nU n i v e r s i t y (S c i e n c eE d i t i o n )J u l y2023d o i :10.13413/j .c n k i .jd x b l x b .2022275基于Y O L O X -S 的车窗状态识别算法黄 键1,徐伟峰1,2,苏 攀1,2,王洪涛1,2,李真真1(1.华北电力大学(保定)计算机系,河北保定071003;2.河北省能源电力知识计算重点实验室,河北保定071003)摘要:通过对Y O L O X -S 模型引入可变形卷积神经网络和焦点损失函数(F o c a l l o s s),解决原Y O L O X -S 模型车窗识别准确率较低的问题.首先,通过在Y O L O X -S 模型的主干特征提取网络中引入可变形卷积神经网络,对卷积核中的各采样点引入偏移量,以便在原始图像中提取到更具有表征的信息,从而提高车窗识别的精准度;其次,使用F o c a l l o s s 替代原模型中的二元交叉熵损失函数,F o c a l l o s s 能缓解正负样本不平衡对训练的影响,其在训练过程中更关注难样本,从而提高了模型对车窗目标的识别性能;最后,为验证改进算法的性能,实验收集并标注15627张图片进行训练和验证.实验结果表明,改进后的车窗识别算法的平均目标精度提高了3.88%.关键词:车窗识别;Y O L O X -S 模型;可变形卷积神经网络;焦点损失中图分类号:T P 391 文献标志码:A 文章编号:1671-5489(2023)04-0875-08C a rW i n d o wS t a t eR e c o g n i t i o nA l go r i t h mB a s e d o nY O L O X -S HU A N GJ i a n 1,X U W e i f e n g 1,2,S U P a n 1,2,WA N G H o n g t a o 1,2,L I Z h e n z h e n 1(1.D e p a r t m e n t o f C o m p u t e r ,N o r t h C h i n aE l e c t r i cP o w e rU n i v e r s i t y (B a o d i n g ),B a o d i n g 071003,H e b e i P r o v i n c e ,C h i n a ;2.H e b e iK e y L a b o r a t o r y o f K n o w l e d g eC o m p u t i n g f o rE n e r g y &P o w e r ,B a o d i n g 071003,H e b e i P r o v i n c e ,C h i n a )收稿日期:2022-06-18.第一作者简介:黄 键(1993 ),男,汉族,硕士研究生,从事计算机视觉的研究,E -m a i l :220192221099@n c e p u .e d u .c n .通信作者简介:徐伟峰(1982 ),男,汉族,博士,从事计算机视觉和空管系统的研究,E -m a i l :w e i f e n gx u @163.c o m.基金项目:国家自然科学基金(批准号:61802124)㊁全国高等院校计算机基础教育研究会项目(批准号:2019-A F C E C -125)和中央高校基本科研业务费专项基金(批准号:2021M S 089).A b s t r a c t :W e s o l v e d t h e p r o b l e mo f l o wa c c u r a c y i n c a rw i n d o wr e c o g n i t i o no f t h e o r i g i n a lY O L O X -S m o d e l b y i n t r o d u c i n g d e f o r m a b l e c o n v o l u t i o n a l n e u r a l n e t w o r k s a n dF o c a l l o s s f u n c t i o n (F o c a l l o s s )t o t h eY O L O X -S m o d e l .F i r s t l y ,b y i n t r o d u c i n g d e f o r m a b l ec o n v o l u t i o n a ln e u r a ln e t w o r k si n t ot h e b a c k b o n ef e a t u r ee x t r a c t i o n n e t w o r k o ft h e Y O L O X -S m o d e l ,o f f s e t s w e r ei n t r o d u c e df o re a c h s a m p l i n g p o i n ti n t h e c o n v o l u t i o n a l k e r n e lt o f a c i l i t a t e t h e e x t r a c t i o n o f m o r e r e p r e s e n t a t i v e i n f o r m a t i o nf r o m t h eo r i g i n a l i m a g e ,t h e r e b y i m p r o v i n g t h ea c c u r a c y o fc a r w i n d o w r e c o g n i t i o n .S e c o n d l y ,u s i n g F o c a l l o s s i n s t e a do fb i n a r y c r o s s e n t r o p y l o s s f u n c t i o n i nt h eo r i g i n a lm o d e l ,F o c a l l o s s c o u l da l l e v i a t e t h e i m p a c t o f i m b a l a n c eb e t w e e n p o s i t i v e a n dn e g a t i v e s a m p l e s o n t r a i n i n g ,a n d i t p a i dm o r e a t t e n t i o n t o d i f f i c u l t s a m p l e s d u r i n g t h e t r a i n i n g p r o c e s s ,t h e r e b y i m p r o v i n g t h e r e c o g n i t i o n p e r f o r m a n c e o f t h em o d e l f o r c a rw i n d o wt a r g e t s .F i n a l l y ,i no r d e r t ov e r i f y th e p e r f o r m a n c eo f t h e i m p r o v e da l g o r i t h m ,15627i m a g e sw e r ec o l l e c t e da n da n n o t a t e df o rt r a i n i n g a n dv a l i d a t i o ni nt h e e x p e r i m e n t .T h ee x p e r i m e n t a lr e s u l t ss h o w t h a tt h ea v e r a g et a r g e ta c c u r a c y o ft h ei m pr o v e dc a r w i n d o wr e c o g n i t i o na l g o r i t h mi n c r e a s e s b y 3.88%.Copyright ©博看网. All Rights Reserved.678吉林大学学报(理学版)第61卷K e y w o r d s:c a r w i n d o w r e c o g n i t i o n;Y O L O X-S m o d e l;d e f o r m a b l ec o n v o l u t i o n a ln e u r a ln e t w o r k;F o c a l l o s s目前,基于深度学习的神经网络技术已广泛应用于各领域.依靠其强大的特征提取能力,深度学习算法在目标检测识别方面取得了较高的精度.目标检测可识别图像中特定物体的类别和图像中的位置,已广泛应用于智能交通等领域中的车辆㊁标识和人脸检测[1-3]中.随着我国城市化水平的不断提升,高速公路网的覆盖范围不断扩大,为有效提高工作效率,高速公路已采用了全新的收费管理模式,广泛设置了E T C门架系统,这为自动㊁智能的人员排查和人员管理技术的实施提供了基础条件.在高速公路上实现智能人员排查和人员管理的关键是准确识别车内人员,而准确识别车内人员的前提条件是识别人员所乘车辆的车窗开关状态,车窗状态检测算法通过锁定车辆自动识别车窗的开关状态,因此,准确㊁高效的车窗状态检测算法是实现智能人员排查和人员管理的前提.现有的检测算法R-C N N[4],F a s tR-C N N[5],F a s t e rR-C N N[6],S S D[7],Y O L O等,由于大量的训练数据积累和模型更新,在主流数据集上相对传统方法均有较高的准确率和召回率.深度学习的目标检测算法根据其检测思想的不同可分为两阶段算法和单阶段算法.两阶段目标检测算法先对输入图像处理产生候选区域,然后再对候选区域进行检测.两阶段网络具有较高的精度,但需要先提取候选区域再进行检测,处理时间比单阶段网络高,典型的代表性算法有F a s t e rR-C N N[6],M a s kR-C N N[8], C a s c a d eR-C N N[9]和S p a r s eR-C N N[10]等.由于两阶段目标检测算法不适用于对实时性要求较高的应用场景,因此为进一步提高目标检测实时性,R e d m o n等[11]提出了将目标检测转化为回归问题的简化算法模型,在提高检测速度的同时提高检测精度,并提出了一系列基于位置回归的单阶段目标检测模型,如Y O L O和S S D模型等.Y O L O系列检测算法属于单阶段类检测算法,其在基于深度学习的检测算法中具有速度优势,但Y O L O v1[11]和Y O L O v2[12]的检测精度较低,难以满足实际工程对精度的需求,而精度较高的Y O L O v3[13]检测速度却无法满足实际工程对时间的要求,Y O L O v4[14]和Y O L O v5[15]在检测精度和速度之间取得了平衡,但平均目标精度有待提高.文献[16]提出的解耦头(D e c o u p l e dh e a d)[17-18], A n c h o r-f r e e[19-20]和S i m O T A[21]极大提高了平均目标精度.目前在实际应用中,针对车窗状态检测已有许多研究成果,王亮亮等[2]提出了基于车窗特征的快速车辆检测算法,通过识别车窗代替目标物进行检测,从而提高被遮挡车辆的检出概率;汪祖云等[22]提出了基于车窗区域代替完整车辆的出租车检测方法,同时基于检测到的车窗区域实现对驾驶室的精确定位.但在高速公路检测站等公共环境中为避免排队和拥堵,对于车窗识别算法有更高的要求,需要一种更快速㊁精准的算法.针对上述问题,本文提出一种基于Y O L O X-S改进的车窗识别算法.首先,利用可变形卷积神经网络[23]从原始图像中提取更多的特征信息,在卷积核中对每个采样点的位置添加一个偏移量,实现对当前位置的随机采样,从而不局限于之前的规则格点;其次,由于传统的交叉熵损失函数并不能有效应对正负样本极度不平衡的情况,即负样本占多数时,导致训练易收敛到负样本,从而无法有效学习正样本,引用焦点损失函数(F o c a l l o s s)[24]替换模型中二元交叉熵损失函数(B i n a r y c r o s se n t r o p y l o s s),从而有效缓解正负样本不平衡的问题,集中训练难以分类的样本,提高模型在稀有类目标检测的准确性.通过收集的到15628张图片对改进算法进行了验证,实验结果表明,改进后的车窗识别算法取得了较高的平均精度均值(m e a na v e r a g e p r e c i s i o n,m A P).1预备知识1.1Y O L O X模型Y O L O X模型是单阶段目标检测算法之一,它将目标区域预测和目标类别预测集成到一个单一的神经网络模型中,实现了快速㊁高精度的目标检测和识别,目前已成为工业场景中最实用的物体检测模型之一.Y O L O X模型分为标准网络结构(包括Y O L O X-S,Y O L O X-M,Y O L O X-L,Y O L O X-X, Y O L O X-D a r k n e t53)和轻量级网络结构(包括Y O L O X-N a n o和Y O L O X-T i n y).由于Y O L O X-S具有Copyright©博看网. All Rights Reserved.出色的检测性能和速度,因此本文以其为基准模型.Y O L O X -S 由Y O L O v 5-S 改进而得,由4部分组成:I n p u t ,B a c k b o n e ,N e c k 和P r e d i c t i o n ,其中B a c k b o n e 由C S P 网络和F o c u s 结构组合构成.在下采样过程中,先使用切片操作的方法保证信息不丢失,然后通过卷积操作得到特征图.N e c k 是目标检测算法模型框架中具有承上启下作用的关键部件,N e c k 部分采用特征金字塔网络和路径聚合网络(F P N+P A N )的结构,从不同的主干层对不同检测层进行特征聚合,加强了网络的特征融合能力.从主干网络提取的各层特征还需要送入N e c k 进行加工处理后才能送入H e a d ,以便后者更好地做出分类预测和回归预测.Y O L O X 的N e c k 部分是特征金字塔网络模式,使富于空间信息的低层特征通过主干网络逐步抽象得到富于特征信息的高层特征图.P r e d i c t i o n 部分采用准确率更高㊁收敛速度更快的解耦头,并且引入A n c h o r -f r e e 机制,实现与H e a d 部分的完美结合.最后采用简化的S i m O T A 方法求解最优解,完成最终预测.预测头对分类㊁回归和类别判断这三者预测的路径各不相同.解耦头就是预测头采用多个不同的头解耦输出,使各任务关注任务自身所需要的特征信息,这种方法可以有效避免任务之间的干扰,提高模型的性能.如果预测头不采用解耦头,则在原图顶部的C o n v 2D _B N _S i L U 模块输出结果将只会接入一个卷积层,由后者输出预测结果,从而导致任务之间的相互影响,降低模型的性能.A n c h o r -f r e e ,即无锚框方法.与采用基于锚框的Y O L O X 预测头的假设版本相比,无锚框的Y O L O X 版本在预测时的参数量大幅度减少.实际上,Y O L O X 也有锚框,以Y O L O X -D a r k n e t 53为例,最终输出结果是85ˑ8400的特征向量,后面的8400扮演的角色即为锚框,这些锚框需要与原图像上所有的目标框进行关联,从而筛选出正样本锚框.S i m O T A 是一种目标检测中的正样本分配算法,可用于Y O L O X 网络中的预测头.在标签分配过程中,S i m O T A 采用了中心先验法确认正样本候选区域,然后通过计算各样本对真实目标(gr o u n d t r u t h ,G T )的分类和回归损失,获得与当前G T 的交并比(I O U )前10的样本.其核心是动态调整k 值,可以根据不同的目标大小和密度自适应地调整,而不需要手动设置.即对每个G T ,S i m O T A 会计算其与所有样本的I O U ,并将这些I O U 值从大到小排序.然后将前d y n a m i c _k 个样本的I O U 值求和取整,得到一个动态k 值,表示这个G T 周围的样本密度.最后,S i m O T A 会选择每个G T 损失最小的前d y n a m i c _k 个样本作为正样本.图1为Y O L O X -S 模型的结构.1.2 可变形卷积神经网络在目标检测任务中,需要适应目标形态的差异.为解决该问题,通常使用形变不变性或增强数据集的方法.这些方法虽然能够容纳已知固定类型的形变,但在实践中很难应对复杂的形变.卷积神经网络通常使用特征点采集特征图中固定位置的数据,这种方式的几何形变建模能力主要来自数据集的扩展㊁网络层数以及人工设计的模型.但其仍无法解决复杂变形的检测问题.针对卷积神经网络适应目标不规则形状的问题,需引入可变形卷积的方法.该方法通过在传统卷积采样点的基础上增加二维偏置实现采样网络的自由变形,从而使卷积神经网络能适应目标的不规则形状.这种偏置值通过增加卷积层获得,能定位具有不同局部形态的对象.该过程需要的参数和计算量较少,因此可使用梯度反向传播算法进行端到端训练.通过可变形卷积,可得到一个简单的多层模型,以适应目标物体形状的多样性.传统卷积使用规则网格R 在固定位置对输入特征图进行采样,并使用权值ω对采样值进行加权求和,其中网格R 定义膨胀参数和感受野.一般定义大小为3ˑ3㊁膨胀参数为1的卷积核R 为R ={(-1,-1),(-1,0), ,(0,1),(1,1)}.(1)特征图的标准卷积可表示为y (P )=ðP n ɪR x (P +P n )ˑω(P n ),(2)其中P 为特征图的原始位置,R 为每个分块的索引编号,P n 是对R 中所列位置的枚举,x (P +P n )表示原始图,ω(P n )表示权重.由式(2)可知,标准卷积操作只是对输入图像固定的位置进行加权操作,778 第4期 黄 键,等:基于Y O L O X -S 的车窗状态识别算法 Copyright ©博看网. All Rights Reserved.图1 Y O L O X -S 模型网络结构示例F i g .1 E x a m pl e o f n e t w o r k s t r u c t u r e o fY O L O X -Sm o d e l 其缺少形变建模的能力.然而可形变卷积通过引入偏移量ΔP n 增强卷积核在各采样点P n 的位置,其特征图位置P 可表示为y (P )=ðP n ɪR x (P +P n +ΔP n )ˑω(P n ).(3)图2 可变形卷积示例F i g .2 E x a m p l e o f d e f o r m a b l e c o n v o l u t i o n 通过设计网络学习偏移量,可将固定位置的采样改为可形变位置的采样,如图2所示.该网络的工作原理如下:在输入到输出的特征图计算中,表示特征图两个方向的二维偏置首先由上部分卷积层计算,使用与标准卷积核相同大小的卷积核对输入进行偏置映射,通过对有偏置的输入进行普通卷积得到输出特征图.输入特征图与有偏置输出结果的空间维数相同,并且在训练网络执行时更新学习到的输出特征普通卷积的权重和可变形卷积偏移量的权值.为获得实际的像素偏移值,使用双线性插值运算进行计算.2 模型设计采用本文基于改进的Y O L O X -S 模型进行车窗识别,第一部分改进是将可变形卷积神经网络应用878 吉林大学学报(理学版) 第61卷Copyright ©博看网. All Rights Reserved.于Y O L O X -S 模型的B a c k b o n e,其主要优势是从图像中提取更多的特征信息.另一部分改进是将筛选目标框的损失函数B i n a r y c r o s s e n t r o p y l o s s 改变为F o c a l l o s s ,以解决正负样本不平衡的问题.2.1 具有可变形卷积神经网络的Y O L O X -S 模型Y O L O X -S 提取图像特征采用传统卷积神经网络,其受卷积核和感受野大小的约束,网络模型对物体几何形变的能力取决于数据本身的多样性.本文利用可变形卷积神经网络对Y O L O X -S 进行改进,在不增加额外标注信息和训练成本的情况下,提高网络对空间变形的适应性,从而提高Y O L O X -S模型的目标识别精度.Y O L O X -S 模型使用C S P D a r k N e t 作为主干提取网络,包含多个卷积层和模块(C B S 模块㊁C S P 1_X 模块㊁C S P 2_X 模块等),其中C B S 模块包含3个核心组件:卷积神经网络㊁批归一化和S i l u 激活函数,通过替换C B S 模块中卷积神经网络为可变形卷积神经网络将C B S 模块改为D B S 模块,然后将C S P 1_X 模块和C S P 2_X 模块中部分C B S 模块替换为D B S 模块.通过引入可变形卷积神经网络,Y O L O X -S 模型能更好地适应目标物体的不规则形状,从而提高目标检测的准确率和鲁棒性.同时,可变形卷积神经网络还能减少网络的参数量和计算量,提高网络的运行效率.图3为引入部分可变形卷积神经网络的Y O L O X -S 模型组成元件结构示例.图3 Y O L O X -S 模型组成元件结构示例F i g .3 E x a m p l e s o f c o m po n e n t s t r u c t u r e o fY O L O X -Sm o d e l 2.2 焦点损失函数的引入目前,单阶段检测器产生误差的主要原因是正负样本的不平衡[24].因为它们可以探测到所有位置,单阶段检测器可以很容易地探测到候选框的总数.在所有候选框中,没有目标的候选框远多于有目标的候选框.由于大多数都是简单易分的负样本(属于背景的样本),并且大多数负样本在训练中没有意义,使得训练过程不能充分学习到样本类别的信息,导致模型退化.因此,本文引入F o c a l l o s s 解决正负样本数量不均衡的问题.Y O L O X -S 模型中预测框的分类使用B i n a r y c r o s s e n t r o p y l o s s ,计算公式为L o s s =-ωˑ[p ˑl o g (q )+(1-p )ˑl o g (1-q )],(4)其中:p 表示实际标签值;q 表示实际预测值;ω为超参数,用于处理标签间的样本不平衡问题.但B i n a r y c r o s s e n t r o p y l o s s 难以平衡难易样本,因此本文引入F o c a l l o s s 代替B i n a r y c r o s s e n t r o p y l o s s ,其既能平衡正负样本,也能平衡难易样本,计算公式为F L =-(1-p )γl o g (p ),y =1,-p γl o g (1-p ),y =0{.(5) 通过分析调质因子(1-p )γ,对于预测概率较大的样本其概率p ң1,负样本概率p ң0,(1-p )γң0,极大降低了简单样本的损失.但对于预测概率较低的困难样本,(1-p )γ对其损失影响较小,相当于降低了简单样本的损失占总体损失的比例,从而提高了困难样本对损失的贡献.3 实 验3.1 数据集本文实验所用数据均来自摄像头采集视频,利用O pe n c v 将视频分割成图片[25].从中选取合适的978 第4期 黄 键,等:基于Y O L O X -S 的车窗状态识别算法 Copyright ©博看网. All Rights Reserved.088吉林大学学报(理学版)第61卷图片共15627张,将图片分为前车窗开启㊁前车窗关闭㊁后车窗开启㊁后车窗关闭4类状态进行人工标注.标注的工具是L a b e l I m g软件,该软件会生成P a s c a lV o c格式的X M L标记文件.在训练前,对图像进行预处理,参考数据集c o c o格式,裁剪训练和测试的图像尺寸为880ˑ720,并将数据集分为训练集和测试集.其中训练图像为14065张,测试图像为1562张,如图4所示.图4车窗数据集示例F i g.4E x a m p l e s o f c a rw i n d o wd a t a s e t3.2实验环境及参数的设置实验环境和基本配置如下:深度学习框架采用P y t o r c h,操作系统采用U b u n t u18.04,处理器为I n t e l(R)X e o n(R)G o l d6133C P U@2.50G H z,运行内存为64G B,显卡为T e s l aV10032G B,编程语言采用P y t h o n.实验采用Y O L O X-S框架集成的m i x u p和m o s a i c两种数据增强方法,使得数据集更丰富,采用多尺度训练方法,其中输入分辨率为880ˑ720的图片,b a t c h训练大小设置为32,初始学习率为0.05,开启半精度训练,且训练轮次为1000.3.3实验结果与分析为检验本文提出的改进Y O L O X-S模型在目标检测精准度上的性能,从所有数据中随机抽取100张图片进行测试,并确认测试图片不在训练集中,测试结果示例如图5所示,其中左上图识别结果为后车窗关闭状态,左下图为前车窗关闭状态,右上图识别结果为前车窗关闭状态,右下图为前车窗关闭状态.本文在车窗数据集上分别比较了原始Y O L O X-S模型㊁引入F o c a l l o s s的Y O L O X-S模型㊁引入部分可变形卷积的Y O L O X-S模型和本文模型的4种目标检测方法.评价指标采用m A P和m A P50_90,m A P是多类别的平均A P值,常用于评估目标检测算法的性能,m A P50_90表示交并比阈值在0.5~0.9上的平均m A P.测试结果列于表1.由表1可见,本文模型平均精度最高,m A P达95.59%.表1不同Y O L O X-S模型的性能测试结果T a b l e1P e r f o r m a n c e t e s t r e s u l t s o f d i f f e r e n tY O L O X-Sm o d e l s%为对比可变形卷积对提取图像特征信息的影响,本文实验将模型中所有的卷积神经网络替换为可变形卷积神经网络,结果列于表2.由表2可见,替换所有的卷积神经网络为可变形卷积神Copyright©博看网. All Rights Reserved.经网络会导致模型过拟合,从而使精准度下降.图5 测试结果示例F i g .5 E x a m pl e s o f t e s t r e s u l t s 表2 引入可变形卷积的Y O L O X -S 模型的测试结果T a b l e 2 T e s t r e s u l t s o fY O L O X -Sm o d e l i n t r o d u c i n g de f o r m a b l e c o n v o l u t i o n %综上所述,为提高车窗检测的精度,本文在模型中引入了可变形卷积神经网络,使模型可更好地学习目标的形态差异,从而提升了模型的识别精度.此外,由于模型训练中预测框正负样本难以平衡,本文引入F o c a l l o s s 替换Y O L O X -S 模型中区分前景和背景的B i n a r y c r o s s e n t r o p y l o s s .实验结果表明,添加可变形卷积的Y O L O X -S 模型平均目标精度(m A P )提高了0.59%,m A P 50_90提高了1.23%.通过引入F o c a l l o s s 使m A P 提高了3.53%,m A P 50_90提高了3.16%.融合二者的新型Y O L O X -S 模型的m A P 提高了3.88%,m A P 50_90提高了3.60%.表明本文模型提升了目标检测的精准度.参考文献[1] 陈辉东,丁小燕,刘艳霞.基于深度学习的目标检测算法综述[J ].北京联合大学学报,2021,35(3):39-46.(C H E N H D ,D I N GXY ,L I U YX.R e v i e wo fT a r g e t D e t e c t i o nA l g o r i t h mB a s e d o nD e e p L e a r n i n g [J ].J o u r n a l o fB e i j i n g U n i o nU n i v e r s i t y ,2021,35(3):39-46.)[2] 王亮亮,王国栋,赵毅,等.基于车窗特征的快速车辆检测算法[J ].青岛大学学报(自然科学版),2019,32(3):1-7.(WA N G L L ,WA N G G D ,Z HA O Y ,e ta l .F a s t V e h i c l e D e t e c t i o n A l g o r i t h m s B a s e d o n W i n d o w C h a r a c t e r i s t i c s [J ].J o u r n a l o fQ i n g d a oU n i v e r s i t y (N a t u r a l S c i e n c eE d i t i o n ),2019,32(3):1-7.)[3] 田强,贾小宁.基于深度残差网络的车标识别[J ].吉林大学学报(理学版),2021,59(2):319-324.(T I A N Q ,J I A X N.V e h i c l eL o g oR e c o g n i t i o nB a s e do nD e e p R e s i d u a lN e t w o r k [J ].J o u r n a l o f J i l i n U n i v e r s i t y (S c i e n c e E d i t i o n ),2021,59(2):319-324.)[4] G I R S H I C K R ,D O N A HU EJ ,D A R R E L LT ,e t a l .R i c hF e a t u r eH i e r a r c h i e s f o rA c c u r a t eO b je c tD e t e c t i o na n d S e m a n t i cS e g m e n t a t i o n [C ]//2014I E E E C o nf e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r nR e c og n i t i o n .P i s c a t a w a y,N J :I E E E ,2014:580-587.[5] G I R S H I C KR.F a s tR -C N N [C ]//2015I E E E I n t e r n a t i o n a l C o n f e r e n c e o nC o m p u t e rV i s i o n (I C C V ).P i s c a t a w a y,188 第4期 黄 键,等:基于Y O L O X -S 的车窗状态识别算法 Copyright ©博看网. All Rights Reserved.288吉林大学学报(理学版)第61卷N J:I E E E,2015:1440-1448.[6] R E NSQ,H EK M,G I R S H I C KR,e t a l.F a s t e rR-C N N:T o w a r d sR e a l-T i m eO b j e c tD e t e c t i o nw i t hR e g i o nP r o p o s a lN e t w o r k s[J].I E E ET r a n s a c t i o n so nP a t t e r nA n a l y s i s a n dM a c h i n e I n t e l l i g e n c e,2017,39(6):1137-1149.[7] L I U W,A N G U E L O V D,E R HA N D,e t a l.S S D:S i n g l eS h o tM u l t i b o xD e t e c t o r[C]//E u r o p e a nC o n f e r e n c e o nC o m p u t e rV i s i o n.B e r l i n:S p r i n g e r,2016:21-37.[8] H EK M,G K I O X A R IG,D O L L A R P,e t a l.M a s kR-C N N[J].I E E E T r a n s a c t i o n so nP a t t e r n A n a l y s i sa n dM a c h i n e I n t e l l i g e n c e,2020,42(2):386-397.[9] C A IZ,V A S C O N C E L O S N.C a s c a d e R-C N N:D e l v i n g i n t o H i g h Q u a l i t y O b j e c t D e t e c t i o n[C]//I E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n(C V P R).P i s c a t a w a y,N J:I E E E,2018:6154-6162.[10] S U NPZ,Z HA N GRF,J I A N GY,e t a l.S p a r s eR-C N N:E n d-t o-E n dO b j e c t D e t e c t i o nw i t hL e a r n a b l eP r o p o s a l s[E B/O L].(2021-04-26)[2022-02-01].h t t p s://a r x i v.o r g/a b s/2011.12450.[11] R E D MO NJ,D I V V A L AS,G I R S H I C K R,e t a l.Y o u O n l y L o o k O n c e:U n i f i e d,R e a l-T i m eO b j e c tD e t e c t i o n[C]//P r o c e e d i n g s o f t h e I E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n.P i s c a t a w a y,N J:I E E E,2016:779-788.[12] R E D MO NJ,F A R HA D IA.Y O L O9000:B e t t e r,F a s t e r,S t r o n g e r[C]//P r o c e e d i n g s o f t h e I E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n.P i s c a t a w a y,N J:I E E E,2017:7263-7271.[13] R E D MO NJ,F A R HA D I A.Y o l o v3:A nI n c r e m e n t a lI m p r o v e m e n t[E B/O L].(2018-04-18)[2022-02-10].h t t p s://a r x i v.o r g/a b s/1804.02767.[14] B O C H K O V S K I Y A,WA N GCY,L I A O H Y M.Y O L O v4:O p t i m a l S p e e da n dA c c u r a c y o fO b j e c tD e t e c t i o n[E B/O L].(2020-04-23)[2022-01-20].h t t p s://a r x i v.o r g/a b s/2009.10934.[15]J O C H E R G.Y o l o v5[E B/O L].(2020-08-09)[2022-01-10].h t t p s://g i t h u b.c o m/u l t r a l y c s/y o l o v5.[16] G EZ,L I US,WA N GF,e t a l.Y o l o x:E x c e e d i n g Y o l oS e r i e s i n2021[E B/O L].(2021-08-06)[2022-02-20].h t t p s://a r x i v.o r g/a b s/2017.08430.[17] S O N G GL,L I U Y,WA N G X G.R e v i s i t i n g t h eS i b l i n g H e a di n O b j e c tD e t e c t o r[E B/O L].(2020-03-17)[2022-01-20].h t t p s://a r x i v.o r g/a b s/2003.07540.[18] WU Y,C H E N YP,Y U A NL,e t a l.R e t h i n k i n g C l a s s i f i f i c a t i o n a n dL o c a l i z a t i o n f o rO b j e c t D e t e c t i o n[E B/O L].(2020-04-02)[2022-02-01].h t t p s://a r x i v.o r g/a b s/1904.06493.[19] T I A NZ,S H E N C H,C H E N H,e ta l.F C O S:F u l l y C o n v o l u t i o n a lO n e-S t a g e O b j e c tD e t e c t i o n[C]//2019I E E E/C V FI n t e r n a t i o n a l C o n f e r e n c e o nC o m p u t e rV i s i o n(I C C V).P i s c a t a w a y,N J:I E E E,2020:9626-9635.[20] Z HO U X Y,WA N G D Q,K RÄH E N BÜH L P.O b j e c t sa s P o i n t s[E B/O L].(2019-04-16)[2022-02-20].h t t p s://a r x i v.o r g/a b s/1904.07850.[21] G E Z,L I U S T,L I Z M,e ta l.O t a:O p t i m a l T r a n s p o r t A s s i g n m e n tf o r O b j e c t D e t e c t i o n[E B/O L].(2021-03-26)[2022-01-20].h t t p s://a r x i v.o r g/a b s/2103.14259.[22]汪祖云,廖惠敏,黄训平,等.基于车窗区域定位的出租汽车驾驶员蓄须行为的自动检测技术研究[J].交通运输研究,2018,4(4):41-47.(WA N GZY,L I A O H M,HU A N GXP,e t a l.A u t o m a t i cD e t e c t i o nT e c h n o l o g y o f T a x i D r i v e r I sB e a r dB a s e do nC a rW i n d o w A r e aL o c a t i o n[J].T r a n s p o r tR e s e a r c h,2018,4(4):41-47.)[23] D A I JF,Q I H Z,X I O N G Y W,e ta l.D e f o r m a b l eC o n v o l u t i o n a lN e t w o r k s[C]//P r o c e e d i n g so ft h eI E E EI n t e r n a t i o n a l C o n f e r e n c e o nC o m p u t e rV i s i o n.P i s c a t a w a y,N J:I E E E,2017:764-773.[24] L I N T Y,G O Y A L P,G I R S H I C K R,e ta l.F o c a lL o s sf o rD e n s e O b j e c tD e t e c t i o n[E B/O L].(2018-02-07)[2022-02-01].h t t p s://a r x i v.o r g/a b s/1708.02002.[25]李菊霞.基于深度学习的二值图像目标轮廓识别算法[J].吉林大学学报(理学版),2020,58(5):1189-1194.(L I J X.B i n a r y I m a g e T a r g e tC o n t o u rR e c o g n i t i o n A l g o r i t h m B a s e do n D e e p L e a r n i n g[J].J o u r n a lo fJ i l i n U n i v e r s i t y(S c i e n c eE d i t i o n),2020,58(5):1189-1194.)(责任编辑:韩啸)Copyright©博看网. All Rights Reserved.。
中职《Access数据库》课程探究式教学模式探索
中职《Access数据库》课程探究式教学模式探索发表时间：2020-09-15T14:35:47.383Z 来源：《教学与研究》2020年54卷12期作者：李海荣、班远见[导读] 时代是不断发展的，相关岗位对人才的需求和要求在不断的提高李海荣、班远见河南省商丘市职业教育中心河南商丘 476000摘要：时代是不断发展的，相关岗位对人才的需求和要求在不断的提高，在当前中职《Access数据库》课程教学过程中，教师要结合学生当前的学习需求和学习特点，提高课堂教学的针对性，教师要科学合理的开展探究式的教学模式，对学生的学习思路和学习思维进行有效的启发以及引导，使学生可以认识到学习《Access数据库》课程的作用以及趣味性，从而使学生更加积极的进行知识内容的学习。
关键词：中职；《Access数据库》；探究式教学教师在《Access数据库》课程教学中，在开展探究式教学模式之前，要做好充分的准备工作，对探究式的教学模式的含义和特征进行深入的分析以及研究，并且教师还要对传统课堂教学模式进行了创新以及改革，尊重学生的主体地位，着重地培养学生独立思考能力和创新能力，从而使学生在毕业之后能够获得良好的发展，也在一定程度上突出探究式教学模式的优势和作用。
一、在中职《Access数据库》课程教学中开展探究式教学模式的作用在传统中职《Access数据库》教学课堂中，由于教师受到传统教育的思想，在教学理念和教学方法的应用方面存在一定的偏差，严重影响了课堂教学的有序进行。
在中职《Access数据库》教学课堂中，教师教课堂教学重点放在了对理论知识的讲述上，很少将理论知识和实践进行相互的融合让学生进行深入的探究以及思考，在这一教学背景的影响下，不仅学生无法提起对知识内容学习的兴趣，还使学生的自主探究能力无法得到有效的提高。
另外由于教师在课堂教学的过程中，将课堂教学重点放在对理论知识的讲述上，并没有合理的运用多样化的教学手段对学生的学习思维和学习思路进行有效的启发以及引导，在传统中职《Access数据库》教学课堂中，教师是课堂的主体，学生的整个学习过程是非常机械和被动的，严重影响了学生《Access数据库》素养的提高。
基于web的教学系统在计算机基础课程教学中的应用
基于web的教学系统在计算机基础课程教学中的应用
孙翠改
【期刊名称】《教育教学论坛》
【年(卷),期】2011(000)008
【摘要】通过对计算机基础课程的教学内容研究,结合目前计算机的发展现状和国内外各高校对该课程的教学改革,开发了基于web的计算机基础课程辅助教学系统.运用此系统,学生的学习兴趣及学习效果有明显提高,自主学习意识和能力有显著进步,有效地提高了教师的教学效果和学生的学习效率.
【总页数】1页(P134)
【作者】孙翠改
【作者单位】河南农业大学华豫学院,河南,郑州,476000
【正文语种】中文
【相关文献】
1.基于WEB的计算机基础课程教学系统设计与实现 [J], 关海鸥;高德平
2.多媒体网络教学系统在高校计算机基础课程教学中的应用 [J], 宋和宁
3.基于Web的教学系统在计算机教学中的应用 [J], 夏魁良
4.探究基于web的教学系统在计算机基础课程教学中的应用 [J], 刘利红
5.浅谈基于Web的教学系统在计算机基础课程教学中的应用 [J], 归瑞利
因版权原因，仅展示原文概要，查看原文内容请购买。
郑州大学计算机导师信息
授，硕士生导师，教育部高等学校计算机基础教学指导委员会委员，全国高等院校计础教育研究会常务理事、河南省高等院校计算机教育研究会副理事长兼秘书长。
项收起获河南省教学成果一等奖2项、河南省信息技术成果一等奖1项，河南省科技进步三
项、厅局级科技进步一等奖和二等奖各1项，河南省教育系统教学技能竞赛一等奖1
获河南省高等学校“百名师德建设先进个人” 和郑州市优秀教师称号。
论文收起表论文近20篇，其中被EI收录2篇，出版著作11部。
2009年度上海师范大学计算机科学与技术专业(中法合作
2010年度上海师范大学计算机科学与技术专业（中法合作）项目报告2010年度，由中国上海师范大学与法国柏莱斯·帕斯卡尔大学合作开设的计算机科学与技术专业[以下简称：计算机专业（中法合作）]本科项目一如既往地秉持中外合作办学的理念，积极引进、吸收与优化法国大学的优质教育教学资源。
通过中法教学资源相结合、多种教学方式相结合、理论与实践相结合等方法，培养同计算机科学与技术相关的，具备差异化技能竞争优势和国际视野的物流管理方向或金融数据处理方向的应用型技术人才。
本专业2010年度的教育教学详细情况如下。
一、计算机专业（中法合作）教育教学计划的实施情况2010年度（2010年3月～2011年1月），计算机专业（中法合作）依据教学计划开展教学工作，共为各年级开设核心课35门（包括核心必修课与核心限定选修课）。
其中，中方教师授课23门，法方教师授课12门，分别占总课程门数的65.7%和34.3%。
在师资配备上，中方教师为18人，包括专职教师15人，兼职教师3人；法方教师均为专职，共8人。
在2010年度，计算机专业（中法合作）在校学生共有五个年级。
2006级学生（第8学期）于2010年6月毕业，顺利完成了教学计划中的最后两环节，即毕业实习评定与毕业论文答辩。
2007级（第6、7学期）主修物流方向专业知识，开设8门核心课程，完成20学分，总学时为378。
其中，法方、中方教师担任课程门数占总课程门数的比例分别为37.5%、62.5%。
在2007级的第7学期，从第11周开始，学生进入为期16周的毕业实习阶段。
2008级（第4、5学期）主修核心课中的计算机技能知识与物流方向的基础知识，开设14门核心课程，完成42学分，总学时为846。
其中，法方、中方教师担任课程门数占总课程门数的比例分别为42.9%、57.1%。
2009级（第2、3学期）主修核心课中的计算机进阶知识，并进一步提高法语语言应用能力，开设10门核心课程，完成37学分，总学时为810。
探索读懂学生错误 培养学生反思能力的策略
教育研究课程教育研究学法教法研究 87数学家乔治·波利亚说过：“数学问题的解决仅仅只是一半，更重要的是解题之后的反思。
”在平时的教育教学过程中，我们发现大部分学生在解决问题时都不善于反思，只是把解决问题当作一种任务，只求快速完成，他们普遍关注的是问题解决了没有，而很少有人去关注解决问题的策略。
作为老师，我们如何通过读懂学生错误，培养学生反思能力呢？一、运用错误资源再利用培养了学生反思能力教师不仅要注重开发错误，更要善于利用错误，提高学生思维能力，让学生在错误中理解知识，纠正不足，让错误在学生身上发挥最大功效。
简便计算的数学教学的一个难点，计算中要运用很多运算定律，学生往往是看到题目就“凑整”，而忽视了定律的适用范围。
改编题目，也许是一个数字，一个符号的变化却能带来意想不到的结果。
有这样一个题目我就设了个“陷阱”：75+25-25+75 学生看到75和25能凑成整数，兴奋不已，所以简便成（75+25）-（75+25）=0。
其实学生是受这个题的影响：75+25-25-75。
从形式上看，这两个题几乎一样，就一个符号的区别，但学生往往不看题目，只凭自己的印象就妄下结论。
两个题目放在一起一作比较，他们不难发现，一个是“三加一减”一个是“两加两减”，所以后一个才是0。
通过这样的改编，学生再做这样类型的简便计算，就不会再模棱两可，只要稍作分析，结果显而易见。
错误资源不仅仅是对学生有帮助，学生在错误归因的过程中，反思能力也逐步提高。
对老师而言，学生出现的问题也能反映出教师教学中的不足，教师通过积极反思，及时调整教学思路。
二、利用正、误对比的方法培养学生的反思能力在小学数学教学中，运用正、误对比教学的方法，可以使整个教学的过程变难为易，变复杂为简单，变抽象的内容为具体，有利于学生对知识的理解，有利于在学习的过程中去思考与探索。
比如：在计算125×25×8×4正：125×25×8×4 错：125×25×8×4=（125×8）×（25×4）=125×8×25×4 =1000×100 =1000×100 =100000 =100000通过正、误对比，让学生意识到错误就出在没有加小括号上，从而培养学生的错误归因意识。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
陆桂明，博士，教授，硕士生导师。
河南省计算机教育研究会常务理事。
一、履历
1983-1987年，华北水利水电学院动力工程专业，本科学历，学士学位；1987年留校任教；期间1994-1997年，武汉水利电力大学研究生院计算机科学与技术专业就读，研究生学历，硕士学位；2003-2010年，河海大学研究生院水利水电工程专业学习，博士学位。
1987-1992年，华北水利水电学院，助教；1992-1999年，华北水利水电学院，讲师；1999-2005年，华北水利水电学院，副教授；2005-2010年，华北水利水电学院，教授。
二、教学
先后为本科生和研究生讲授《计算机组成原理》《单片机》《计算机控制技术》《数据采集与处理》等课程。
培养硕士研究生18人。
三、学术
主要在计算机应用方面进行学术研究，在水利水电监测及智能控制方面取得较大成果。
在《水力发电学报》等刊物发表学术论文30篇。
四、项目
2003-2005年主持石津灌区自动化系统项目
2004-2005主持河南省教育厅自然科学研究基金资助
2005-2008年主持河南省高等学校重点学科开放实验室基金资助
2008-2010年主持河南省教育厅自然科学研究基金资助2008A570004
五、论文（2000年以来发表的主要论文）
[1]陆桂明，王斌.水力机组过渡过程图形化自动建模研究[J].水力发电学报,2005年4期
[2]陆桂明，邓磊，沈祖诒.水轮机调节系统计算机仿真研究[J].水利水电技术，2005年7期
[3]陆桂明.地理信息系统在石津灌区现代化管理中的应用[J].水利水电技术,2005年2期
[4]陆桂明，王晓兵.基于实数编码免疫算法的分布式任务调度[J].计算机工程，2008年24
期.
[5]陆桂明.MATLAB／SIMULINK在水轮机调节保证计算中的应用[J].中国农村水利水
电,2004年10期.
[6]陆桂明，谢启明.模糊控制在移动机器人路径规划中的应用研究[J].华北水利水电学院
学报,2008年6期.
[7]郭海如，陆桂明.基于TS模型的智能洗衣机控制器的设计[J].孝感学院学报,2008年3期
[8]陆桂明，郑忠洋.组态软件实时数据库研究[J].微计算机信息，2007年33期.
[9]陆桂明，杨战胜.模糊聚类分析在Web页面分类中的应用研究[J].计算机与数字工程，
2007年4期.
[10]庞松，王洪卫，陆桂明.奇异摄动系统的鲁棒控制与仿真研究[J].计算技术与自动化，
2005年4期.
[11]董明，陆桂明.带有不可测量扰动的广义双线性系统状态观测器设计及故障诊断[J].计
算技术与自动化，2005年1期.
[12]陆桂明.水力机组预测控制分析与研究[J].水力发电学报,2010年3期.
[13]陆桂明.水轮机微机调速器控制策略分析与研究[J].中国农村水利水电，2010年7期.
[14]Lu guiming. The Distributed Task Scheduling Based on Real-coded Immune
Algorithm, The 3rd International Symposium Computer Science and Computational Technology (ISCSCT 2010).。