公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

基于深度学习的人脸识别考勤管理系统开发被引量：23: 2019年; 阐述了深度学习人脸识别考勤的基本原理,介绍活体检测及人脸识别中深度学习的概念,并将VGG16深度神经网络提取的Bottleneck特征输入至全连接网络用以人脸分类,并采集员工人脸图像构造训练数据集以训练深度学习模型。依据Keras框架实现了深度学习的算法程序,使用Java语言设计便于使用、友好的图形界面,采用My SQL建立员工信息、考勤记录数据库,并应用B/S架构实现人脸识别考勤管理系统的开发。将该系统应用于日常考勤业务中。仿真结果表明,该系统较好地满足企业和个人考勤管理的要求。; 李雄李雄钟小明杨辉秦德浩; 关键词：考勤管理人脸识别特征提取

产学研模式下高校应用型人才培养与企业创新互动机制研究被引量：7: 2017年; 在技术创新过程中高校和企业资源互补使得校企合作尤为重要,推进产学研一体化,不仅是推动科技成果产业化、促进产业结构优化升级和转变经济增长方式的根本途径,也是提升高校人才培养质量和办学水平的重要手段,文章针对如何利用产学研合作的互动机制培养学生的创新能力和实践能力展开了讨论,探寻具有可持续发展的产学研相结合的共赢发展路径。; 李雄刘赢时陈敏; 关键词：产学研学生实践能力

思政教育融入计算机专业课课堂被引量：36: 2018年; 全国高校思想政治工作会议强调，将思想政治工作贯穿教育教学全过程，开创我国高等教育事业发展新局面。这一重要论述为做好新形势下的思想政治工作指明了前进的方向。在专业课中融入思政教育，是在高校中开展全过程思政教育的有效途径。本文认为应充分运用启发、案例、类比、联想等手段，找准计算机专业课与思想政治教育的结合点，让思想政治教育融入专业课堂。; 周娟汪立夏李雄; 关键词：思想政治教育计算机专业课

一种基于自适应模糊支配的高维多目标粒子群算法被引量：22: 2018年; 高维多目标优化问题由于具有巨大的目标空间使得一些经典的多目标优化算法面临挑战.提出一种基于自适应模糊支配的高维多目标粒子群算法MAPSOAF,该算法定义了一种自适应的模糊支配关系,通过对模糊支配的阈值自适应变化若干步长,在加强个体间支配能力的同时实现对种群选择压力的精细化控制,以改善算法的收敛性;其次,通过从外部档案集中选取扰动粒子,并在粒子速度更新公式中新增一扰动项以克服粒子群早熟收敛并改善个体分布的均匀性;另外,算法利用简化的Harmonic归一化距离评估个体的密度,在改善种群分布性的同时降低算法的计算代价.该算法与另外五种高性能的多目标进化算法在标准测试函数集DTLZ{1, 2, 4, 5}上进行对比实验,结果表明该算法在收敛性和多样性方面总体上具有较显著的性能优势.; 余伟伟谢承旺闭应洲夏学文李雄任柯燕赵怀瑞王少锋; 关键词：粒子群算法

基于向量分区模型和三维骨架化模型的肺裂分割算法: 2020年; 了解肺裂结构特征在肺部疾病诊断方面具有重要的应用价值.在CT图像中,肺裂会受到强度变化、噪声和形变等各种因素的影响,使得分割难度很大.为了克服此困难,提出一种基于向量分区模型和三维骨架化模型的肺裂分割算法.首先,受到肺裂在二维CT图像中呈现为线性结构特征的启发,通过借助方向窄条微分滤波器融合幅度信息和方向信息来构建肺裂向量场,此种途径能够有效地区分肺裂和其他组织.接着,考虑肺裂在三维CT图像中呈现为面状结构特征,通过改进的向量分区模型来分离肺裂和管状结构,此种方式能够高效率地抑制噪声.最后,为了得到完整的肺裂,引入三维骨架化模型理论来有效分割肺裂.提出的算法在公开数据集LOLA11上进行验证,其F1,FDR和FNR中值分别为0.893,0.068和0.128.实验结果表明,文中算法具有非常好的肺裂分割效果.; 彭圆圆马招娣彭兰李雄; 关键词：CT图像向量场

复杂疾病的组学数据挖掘方法研究: 2017年; 目前针对单独某一类型的组学数据,已挖掘出部分与肿瘤真实相关的遗传因素及环境因素等信息,但仍然可能仅是隐藏于复杂遗传机制背后的冰山一角,导致这种局限性的关键原因可能是疾病模型过于简化即忽略多层次组学数据之间的相互关系。研究认为在加深理解全基因组SNP数据的基础上,进一步融合多源组学数据,加深理解上位性、异质性等现象,从而提高肿瘤风险评估能力,有利于实现个体化医疗目标。本文从SNP数据和多源组学数据分析的角度比较分析现有复杂疾病的组学数据挖掘方法。; 李雄; 关键词：SNP 全基因组关联研究系统生物学

联合多头数据增强与多粒度语义挖掘的图像情感分析: 2024年; 图像情感分析是机器视觉领域热点问题,然而情感判断主观性较强,仅分析完整图像难以准确刻画图像中情感语义,且高质量图像情感数据不足.为此,提出联合多头数据增强与多粒度语义挖掘的图像情感分析模型M2.首先,设计多头数据增强方法,基于自动数据增强与主动样本精选策略构建递进式数据增强模型,从“质”与“量”两个角度提升数据集;其次,引入情感区域检测模型完成情感区域增强,深入挖掘图像中情感语义强烈的局部区域,进而联合局部区域与整幅图像构建多粒度图像;然后,基于深度互学习框架及局部区域完成模型预训练,充分挖掘异构SENet网络之间互补的情感语义,并以迁移学习方式指导多粒度图像情感分析;最后,设计自适应特征融合模块,融合异构SENet特征以完成多粒度语义挖掘,实现图像情感分析.在Twitter I和FI数据集上验证M2模型,其准确率分别达到90.97%和81.14%,优于主流基线.M2拥有泛化性更强的数据增强策略,可以为其训练提供坚实的数据基础,且对应的实证分析效果较好,模型具备一定的实用价值.; 张红斌侯婧怡石皞炜吕敬钦李雄李广丽

全选清除导出

共1页<1>

李雄