课程文献中心 更多>>

关键词： 集体记忆   网络微短剧   共情传播  

摘要： 《逃出大英博物馆》作为一个现象级网络微短剧,是中华优秀传统文化在网络微短剧领域的一次成功的创新性传播实践,其注重新时代集体记忆的书写,对传统文化符号进行解码,满足现代观众的情感需求,引起了很高的讨论度,实现了共情传播。本文将从符号建构和共情叙事两个方面,探究集体记忆理论视域下网络微短剧的共情传播机制,以期促进网络微短剧更好地助力中华优秀传统文化的创造性转化和创新性发展。

关键词： 新工科   工程能力培养   计算机网络   教学改革  

摘要： 在新工科背景下,为适应当前社会对网络技术人才的需求,在《计算机网络》教学中,应加强对课程教学理念和教学模式的改革,落实以学生为中心,以工程能力培养为目标,创新工程教育方式与手段,培养出更加符合时代要求的创新性高技术人才。本文主要探讨了《计算机网络》课程教学中存在的痛点问题,对该课程的教学理念、教学模式、教学内容和教学评价等方面提出了改革措施,以工程能力培养为目标,旨在更好地培养学生的综合实践能力,有效达到培养工程应用型人才的目标。

关键词： 自动驾驶   车辆轨迹预测   驾驶意图识别   多模态轨迹   图注意力网络  

摘要： 针对人工驾驶车辆轨迹的预测难题及对自动驾驶决策的影响,建立基于时空图注意力网络的车辆多模态轨迹预测模型(STGAMT).模型基于车辆的历史信息,对车辆时间和空间维度的特征进行建模.利用二维卷积神经网络识别车辆的横纵向的变道状态信息,将横纵向变道状态信息分别与时空动态交互模块输出信息桥连为横纵向运动特征,采用Softmax函数识别车辆的驾驶意图.利用基于高斯条件分布的GRU网络对轨迹进行多模态轨迹输出.实验结果表明,在短期预测范围内,STGAMT模型在HighD和NGSIM数据集上的RMSE较其他5个经典模型的平均RMSE降低了63.8%和41.0%;在长期预测范围内,STGAMT模型在HighD和NGSIM数据集上的RMSE较其他5个经典模型的平均RMSE降低了62.5%和19.1%.STGAMT模型可以有效提高人工驾驶车辆轨迹预测精度.

关键词： 热点事件   短视频   传播  

摘要： 网络热点事件短视频凭借极快的传播速度,拥有庞大的用户群体,并完美契合现代人碎片化的阅读习惯。如何在有限的时长内精准传达热点信息并在海量的内容中脱颖而出,成为短视频编创者应思考的难题。短视频编创者需要深刻洞察热点事件传播和短视频传播的规律,精准把握受众心理,持续追求内容创新。文章建议媒体应打造专业的制作团队,深化内容层次与思想内涵;创新呈现方式,利用现代技术手段进行创意表达,提升用户观看体验;深化通俗表达,增强话语互动,提高视频的传播力;深化发布持续化战略,筑牢时效性根基,实现高效化传播等。

关键词： 人才画像   数据挖掘   k-means聚类   关联规则  

摘要： [目的/意义]对特定行业领域的人才需求进行画像,不仅可以促进行业或企业快速发展,还可以大大提高人力资源市场供需双方的人岗适配效率。[方法/过程]以拉勾网一线城市的互联网行业招聘数据为分析对象,通过数据采集并进行去重、转换、特征提取、文本表示等一系列预处理后,利用K-means进行聚类得到5种不同的岗位类别,最后以统计分析和关联规则从多个维度对不同人才需求岗位群体进行画像。[结果/结论]经整体面貌分析发现,不同岗位群体在学历、工作经验、知识技能、薪资及城市需求等方面的总体特征表现各有不同。此外,依据研究结果分别针对在校生的自我学习规划以及高校的人才培养提出可行建议,以期提高技能培养与产业需求的匹配效率。

关键词： 教学方法   教学内容   课程目标   模块化  

摘要： 随着网络信息技术的快速发展,传统课程教学模式正面临深刻变革,新型教学模式已成为高校课程教学改革的必然趋势。文章以“计算机网络”课程为例,从教学方法、教学内容及考核评价3个维度展开研究。在教学方法方面,采用课堂讲授与提问启发相结合的方式,针对课程难点与重点内容,创新性地应用案例分析法和比较教学法,有效支持多元化教学评价模式,满足教学信息多样化需求,实现形成性课程考核目标。在教学内容方面,通过建设重庆市一流本科课程,持续更新和拓展计算机网络新技术内容,保持课程内容的前沿性。在考核方式方面,构建了课堂测试、课程报告和期末考试等多元化的评价体系,深入推进课程改革。作为计算机学科的专业基础课程,“计算机网络”注重理论教学与实践教学的有机结合,有效实现了课内教学与课外学习的衔接,强化了课程教学的连续性,显著提升了学生的学习效果和课程教学质量。

关键词： 图像降噪   深度学习   残差网络   注意力机制  

摘要： 针对基于卷积神经网络图像降噪模型采用简单编码器-解码器结构而导致图像降噪性能差的问题,提出一种基于残差密集网络与注意力机制的残差密集图像降噪网络(residual dense image denoising network,RDIDNet)。首先,利用全局残差块增强网络模型的非线性映射能力;其次,引入双元素卷积注意力模块以实现RDIDNet模型解码过程中的自适应特征融合;最后,将RDIDNet降噪模型和14种代表性降噪方法进行对比,并进行消融实验,验证在基准模型上使用RDU Sub-Network、DE-CAM、PSNRLoss进行网络优化的有效性。实验结果表明,在Set12数据集、BSD68数据集中,RDIDNet在峰值信噪比(peak signal to noise ratio,PSNR)、结构相似性(structural similarity,SSIM)指标上相比传统经典方法BM3D分别平均提高1.03 dB和0.0275;比基于Vision Transformers架构的SwinIR分别平均提高0.03 dB和0.0014;比基于CNN的最新降噪方法NHNet分别平均提高0.22 dB和0.0089。RDIDNet降噪网络更关注低频信息、模型训练更稳定,在有效消除图像噪声的同时能有效保留图像细节纹理,具有较好的表现。

关键词： 深度学习   图像去雾   多流结构   自适应融合   端到端训练  

摘要： 目前图像去雾算法虽已取得较高的指标,但其恢复出的图像仍存在着颜色失真、雾霾残留、图像伪影等问题。文章提出一种可端到端训练的多流选择性核(multi-stream selective kernel,MSSK)去雾网络,借助图像的低频信息和高频信息优化去雾效果,实现在低频信息的指导下提高图像的颜色保真度,在高频信息的指导下优化图像的边缘和细节。该网络为多分支结构,通过分支指导块实现分支间的信息交互;采用选择残差块依据雾霾质量浓度自适应地调整感受野大小。在多个基准数据集上对网络进行评估的实验结果表明,文章所提出的网络具有较高的结构相似度(structural similarity,SSIM)和峰值信噪比(peak signal-to-noise ratio,PSNR)指标,能较好地解决颜色失真、雾霾残留、图像伪影等问题。

关键词： 光伏预测   奇异谱分析   位置编码   Transformer  

摘要： 精准的光伏发电预测能为电网安全稳定运行提供保障。针对当前光伏预测算法预处理方法过于简单、周期规律识别效率不高等问题,提出一种基于奇异谱分析的Transformer神经网络光伏预测算法SSA-Trans。该算法在数据处理中引入奇异谱分析技术,在去除太阳辐照度时间序列中影响较大的噪声序列后进行重构,对重构后的序列建立Transformer网络预测模型,将序列的时间戳进行位置编码后与天气数据一同作为网络的特征输入。采用滑动窗口将划分好的数据输入到Transformer模型中进行训练,然后进行预测。在3个公开数据集上对所提算法与对照算法的预测性能进行比较,结果表明,所提算法的归一化平均绝对误差分别降低了约31.94%、20.37%和14.07%。同时,消融实验证实了奇异谱分析和滑动窗口技术的有效性。

关键词： deep learning   magnetic resonance imaging(MRI)   medical image analysis   semantic segmentation   segmentation accuracy   image synthesis  

摘要： Brain tumor segmentation is critical in clinical diagnosis and treatment *** methods for brain tumor segmentation with missing modalities often struggle when dealing with multiple missing modalities,a common scenario in real-world clinical *** methods primarily focus on handling a single missing modality at a time,making them insufficiently robust for the additional complexity encountered with incomplete data containing various missing modality ***,most existing methods rely on single models,which may limit their performance and increase the risk of overfitting the training *** work proposes a novel method called the ensemble adversarial co-training neural network(EACNet)for accurate brain tumor segmentation from multi-modal magnetic resonance imaging(MRI)scans with multiple missing *** proposed method consists of three key modules:the ensemble of pre-trained models,which captures diverse feature representations from the MRI data by employing an ensemble of pre-trained models;adversarial learning,which leverages a competitive training approach involving two models;a generator model,which creates realistic missing data,while sub-networks acting as discriminators learn to distinguish real data from the generated“fake”***-training framework utilizes the information extracted by the multimodal path(trained on complete scans)to guide the learning process in the path handling missing *** model potentially compensates for missing information through co-training interactions by exploiting the relationships between available modalities and the tumor segmentation *** was evaluated on the BraTS2018 and BraTS2020 challenge datasets and achieved state-of-the-art and competitive performance ***,the segmentation results for the whole tumor(WT)dice similarity coefficient(DSC)reached 89.27%,surpassing the performance of existing *** analysis suggests that the ensemble appr