检索结果-内蒙古大学图书馆

计算机技术与发展 2018年第8期28卷 191-195页

作者：陈培德王丽清吴建平云南大学信息学院云南昆明650223 云南省高校数字媒体技术重点实验室云南昆明650223

快速格式化是高级格式化中的一种特殊形式。逻辑盘被快速格式化后数据能否恢复取决于快速格式化操作对原来文件系统中所存储数据的破坏程度。以Windows 7为平台,Win Hex 15.08为分析工具,对NTFS文件系统结构进行分析,将逻辑盘由NTFS文... 详细信息

快速格式化是高级格式化中的一种特殊形式。逻辑盘被快速格式化后数据能否恢复取决于快速格式化操作对原来文件系统中所存储数据的破坏程度。以Windows 7为平台,Win Hex 15.08为分析工具,对NTFS文件系统结构进行分析,将逻辑盘由NTFS文件系统快速格式化成NTFS文件系统,通过快速格式化后与快速格式化前对元文件$MFT变化的对比,提出了恢复快速格式化前NTFS文件系统数据的基本思路、方法与步骤。实验结果表明,将逻辑盘由NTFS文件系统快速格式化成NTFS文件系统后,只要恢复格式化前的元文件$MFT的80H属性值,通过CHKDSK命令,便可以恢复被快速格式化破坏的NTFS文件系统结构,除部分数据被覆盖无法恢复外,其他未覆盖的数据均可全部恢复。

关键词：格式化 FAT32文件系统 NTFS文件系统数据恢复

来源：评论

学校读者我要写书评

暂无评论

全息围观式课堂的教室与教学设计

引用

中国教育技术装备 2019年第1期 20-23页

作者：吴建平姬永倩陈培德余秋磊田玲芳云南大学信息学院云南省高校数字媒体技术重点实验室 650223 云南大学职业与继续教育学院 650500

将全息技术应用于教室中,并将全息技术与围观式教学相结合,具体以初中生物课程中观察细胞、观察大型动物为例,通过具体的教学设计与技术手段将整节课程以全息的方式呈现出来,结合围观式教学法,以符合现代学生的学习体验以及知识的快速构... 详细信息

将全息技术应用于教室中,并将全息技术与围观式教学相结合,具体以初中生物课程中观察细胞、观察大型动物为例,通过具体的教学设计与技术手段将整节课程以全息的方式呈现出来,结合围观式教学法,以符合现代学生的学习体验以及知识的快速构建,使学生在立体空间中进行全方位观察与学习,真正实现学习的自主化、情境化、个性化。

关键词：全息技术围观式教学教育技术教学设计全息教室初中生物

来源：评论

学校读者我要写书评

暂无评论

嵌入式FORTH虚拟计算机的实现

引用

电子世界 2013年第18期 11-13页

作者：王丽清杨为民代红兵周永录云南大学云南省高校数字媒体技术重点实验室西南林业大学计算机与信息学院

在嵌入式领域,如何降低系统与运行环境之间的相关性,在各种异构的嵌入式平台上快速构建系统一直是研究的重点。本文基于FORTH语言,通过对虚拟机工作原理的分析,以自主构建的JLP FORTH虚拟平台为例,描述了虚拟机的实现原理、指令定义、... 详细信息

在嵌入式领域,如何降低系统与运行环境之间的相关性,在各种异构的嵌入式平台上快速构建系统一直是研究的重点。本文基于FORTH语言,通过对虚拟机工作原理的分析,以自主构建的JLP FORTH虚拟平台为例,描述了虚拟机的实现原理、指令定义、存储方法和核心算法,并且在存储上提出以分段的方式分离代码和数据,通过该方法构建的FORTH虚拟机具有了更高的系统安全性,并且调试方便、扩展性强,特别适合应用于嵌入式系统。

关键词： FORTH 虚拟计算机

来源：评论

学校读者我要写书评

暂无评论

基于迁移学习仿真SAR图像的目标识别研究

引用

计算机技术与发展 2021年第10期31卷 43-48页

作者：崔亚楠吴建平朱辰龙闫相如云南大学信息学院云南昆明650504 云南省电子计算中心云南昆明650223 云南省高校数字媒体技术重点实验室云南昆明650223

合成孔径雷达(SAR)图像的目标识别研究在军事、国防等领域具有特殊的应用价值。为了更高效、准确地识别SAR图像中的目标物,实验利用卷积神经网络对SAR图像进行训练,以获取良好的识别模型。但小样本集合的SAR图像存在识别效果差,易导致... 详细信息

合成孔径雷达(SAR)图像的目标识别研究在军事、国防等领域具有特殊的应用价值。为了更高效、准确地识别SAR图像中的目标物,实验利用卷积神经网络对SAR图像进行训练,以获取良好的识别模型。但小样本集合的SAR图像存在识别效果差,易导致结果过拟合等问题。为此,研究并提出了一种基于卷积神经网络仿真SAR图像迁移学习的目标识别方法。通过选取数据量较大的仿真SAR图像数据集预训练Inception-ResNet-v2网络模型,得到相应的网络参数。结合迁移学习的方法,将预训练模型得到的网络参数迁移到目标模型上作为目标模型的初始化参数,使用SAR图像对目标模型进行识别训练,并同步进行参数优化和迭代训练。实验有效解决了SAR图像数据不足所产生的过拟合问题,并且模型识别的准确率得到提升。通过MSTAR数据集验证了该算法的有效性,识别的准确率达到99.57%。

关键词：卷积神经网络迁移学习合成孔径雷达仿真SAR图像 Inception-ResNet-v2

来源：评论

学校读者我要写书评

暂无评论

复杂背景下SAR舰船目标检测算法的改进

引用

计算机技术与发展 2023年第11期33卷 41-49页

作者：何旭鑫吴建平余咏高雪豪韦杰云南大学信息学院云南昆明650504 云南省电子计算中心云南昆明650223 云南省高校数字媒体技术重点实验室云南昆明650223

由于合成孔径雷达(SAR)图像的特点,如岸上船舶目标密集排列,容易受到陆地影响,造成SAR图像近岸舰船目标检测检测率低和漏检率高的问题,提出了一种基于YOLOv5的改进BiFPN特征融合模块的目标检测算法。针对海岸边舰船目标容易受到复杂建... 详细信息

由于合成孔径雷达(SAR)图像的特点,如岸上船舶目标密集排列,容易受到陆地影响,造成SAR图像近岸舰船目标检测检测率低和漏检率高的问题,提出了一种基于YOLOv5的改进BiFPN特征融合模块的目标检测算法。针对海岸边舰船目标容易受到复杂建筑影响造成漏检的问题,在YOLOv5的Backbone中加入CBAM注意力机制,通过注意力机制学习舰船目标的特征,提高主干网络的特征提取能力;使用SIoU作为新的损失函数,重新定义预测框和真实框的关系,实现新的高精度定位;增加为四尺度特征检测,重新定义一个大尺度特征检测层,与此对应将特征融合模块中原有PANet替换成改进的多尺度加权双向特征金字塔(BiFPN)网络结构,实现与检测层相对应的高效特征融合模块。实验结果表明,该算法在公开的HRSID舰船数据集的R和mAP分别为88.2%和94.3%,比原来的YOLOv5算法分别提升了2和2.7百分点,达到了在复杂环境下对小目标和密集目标检测的要求。

关键词：合成孔径雷达目标检测四尺度特征检测加权双向特征金字塔 CBAM

来源：评论

学校读者我要写书评

暂无评论

基于改进残差网络的农作物病虫害检测研究

引用

计算机技术与发展 2023年第5期33卷 145-151页

作者：白雪松吴建平景文超崔亚楠康小霖云南大学信息学院云南昆明650504 云南省电子计算中心云南昆明650223 云南省高校数字媒体技术重点实验室云南昆明650223

针对病虫害症状相似导致类间差异小、难以区分的问题,提出一种基于Res2NeXt50改进模型的农作物病虫害检测算法。首先,在Res2Net50模型中进行分组卷积得到Res2NeXt50模型,提高了模型在细粒度层面的特征提取能力。然后,将7×7卷积换... 详细信息

针对病虫害症状相似导致类间差异小、难以区分的问题,提出一种基于Res2NeXt50改进模型的农作物病虫害检测算法。首先,在Res2Net50模型中进行分组卷积得到Res2NeXt50模型,提高了模型在细粒度层面的特征提取能力。然后,将7×7卷积换成新的混合卷积,提取局部和全局特征;使用高斯误差线性单元(Gaussian Error Linear Unit,GELU)函数代替残差块中的修正线性单元(Rectified Linear Unit,ReLU)函数,提高鲁棒性;改进下采样来增强信息流通性;调整网络层数,以减少模型计算量。其次,在训练中使用标签平滑(Label Smoothing)和指数移动平均(Exponential Moving Average,EMA)来提高模型的泛化能力。在重组的AI Challenger 2018农作物病虫害数据集上进行实验,结果表明改进模型的准确率高达98.79%,参数量为18.20M,FLOPs为3.73G。同时,该模型在Plantvillage和Plant_leaves数据集中分别达到了99.89%和99.23%的准确率。所提出的算法模型识别准确率高,泛化能力强,更符合实际应用需求。

关键词：农作物病虫害卷积神经网络 Res2NeXt50 混合卷积标签平滑细粒度特征

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的农作物病虫害检测研究

引用

计算机技术与发展 2022年第12期32卷 200-205页

作者：白雪松吴建平景文超何旭鑫余咏云南大学信息学院云南昆明650504 云南省电子计算中心云南昆明650223 云南省高校数字媒体技术重点实验室云南昆明650223

农作物病虫害图像采集困难,且公共数据集较少,因此使用单一网络模型识别准确率不高。常用的数据增强方法只能对图像进行像素空间的变换,不能进行语义转换。对此,研究并提出基于隐式语义数据增强算法的CBAM-Res2Net50模型:该模型使用Res2... 详细信息

农作物病虫害图像采集困难,且公共数据集较少,因此使用单一网络模型识别准确率不高。常用的数据增强方法只能对图像进行像素空间的变换,不能进行语义转换。对此,研究并提出基于隐式语义数据增强算法的CBAM-Res2Net50模型:该模型使用Res2Net50主干网络,从多尺度学习图像信息,加载预训练模型部分参数,提高模型的收敛速度;在网络残差块中添加混合注意力模块,提取并保留关键特征;训练过程中使用隐式语义数据增强算法对提取的深层网络空间特征进行语义扩充增强,提高模型的泛化能力。改进模型与现有模型在AI Challenger 2018农作物病虫害数据集上的对比实验结果表明:改进模型具有较高的识别率,其分类准确率达88.33%。改进后的模型通过挖掘相似病虫害图像的语义信息,在一定程度上解决了深度网络中由于数据不足导致的过拟合等问题。

关键词：农作物病虫害卷积神经网络 CBAM-Res2Net50 迁移学习注意力模块隐式语义数据增强

来源：评论

学校读者我要写书评

暂无评论

改进残差网络结合迁移学习的SAR目标识别

引用

计算机技术与发展 2022年第5期32卷 1-6页

作者：崔亚楠吴建平朱辰龙闫相如云南大学信息学院云南昆明650504 云南省电子计算中心云南昆明650223 云南省高校数字媒体技术重点实验室云南昆明650223

合成孔径雷达(SAR)图像的目标识别对地面和海面目标获取具有重大意义。实现SAR图像目标自动解释,提高图像目标识别的准确率成为SAR图像研究的热点问题。为准确获取SAR图像中的目标信息,解决深度神经网络训练小样本SAR图像过程中细节特... 详细信息

合成孔径雷达(SAR)图像的目标识别对地面和海面目标获取具有重大意义。实现SAR图像目标自动解释,提高图像目标识别的准确率成为SAR图像研究的热点问题。为准确获取SAR图像中的目标信息,解决深度神经网络训练小样本SAR图像过程中细节特征丢失严重,网络易出现过拟合等问题,该研究提出一种基于RCF(ResNet101-CBAM-FPN)神经网络模型来提取SAR图像特征。将ResNet101作为主干网络模型用于特征提取,在主干网络模型中加入卷积注意力模块引导神经网络有针对性地提取SAR图像关键特征信息。然后结合特征金字塔网络,实现神经网络高层特征与底层特征融合,丰富特征信息。最后融合迁移学习思想,通过数据相对充足的仿真SAR图像对RCF网络模型进行预训练。将预训练获取的模型参数迁移至目标网络,作为目标网络的初始化参数,并使用目标网络对SAR图像进行迭代训练。实验结果表明,该方法能有效提升小样本数据SAR图像的识别精度,在MSTAR数据集上达到99.60%的识别率。

关键词： ResNet101 迁移学习合成孔径雷达卷积注意力模块特征金字塔网络

来源：评论

学校读者我要写书评

暂无评论

改革开放以来高考录取制度改革阶段划分

引用

教育界（综合教育） 2018年第10期 15-16页

作者：陈华明方芳吴建平云南大学职业与继续教育学院云南大学信息学院云南省电子计算中心云南省高校数字媒体技术重点实验室

改革开放以来,高考录取制度在经济体制视角、招生制度改革视角、高考改革视角下有不同的划分.在不同的划分下高考录取制度改革各有利弊,同时也伴随着教育公平的争论成长.而网上录取和非网上录取的阶段划分更易于研究改革本质并展望未来... 详细信息

改革开放以来,高考录取制度在经济体制视角、招生制度改革视角、高考改革视角下有不同的划分.在不同的划分下高考录取制度改革各有利弊,同时也伴随着教育公平的争论成长.而网上录取和非网上录取的阶段划分更易于研究改革本质并展望未来,也有助于教育公平的讨论.

关键词：高考录取制度高考改革教育公平网上录取

来源：评论

学校读者我要写书评

暂无评论

基于体验式学习的小学STEAM课程设计与实施——以“模拟桥梁的设计与制作”为例

引用

中国信息技术教育 2018年第23期 57-60页

作者：徐溪溪吴建平姬永倩董德治李卓豫云南大学职业与继续教育学院云南大学信息学院云南省电子计算中心/云南省高校数字媒体技术重点实验室

本研究在体验式学习理论的指导下,结合STEAM教育理念及特点,以"模拟桥梁的设计与制作"为例探究了小学STEAM课程的模式,以期学习者能够在体验与反思的过程中从边缘的参与者转换为核心参与者,获得综合问题解决的能力。

关键词：体验式学习 STEAM教育课程模式

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：