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

在綠色發(fā)展的主題下，深度學習高效地進行垃圾分類方法亟待研究。在垃圾圖像分類問題中，大尺寸圖像包含著更豐富的信息。然而主流的基于CNN的深度學習難以從大尺寸圖片中提取長序列特征。針對此問題，文章基于垃圾圖像數(shù)據(jù)設(shè)計了基于Swin Transformer模型的算法框架。該算法框架不僅解決了長序列特征提取問題，還通過知識蒸餾方法解決了大模型體積過大難以部署的問題。算法最優(yōu)準確率為94.4%，相較CNN 結(jié)構(gòu)模型最高提升了11%的精度。為增加算法的實用性，文章使用了知識蒸餾方法把基礎(chǔ)模型縮小為原來的1/3。實驗結(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問題中，并且知識蒸餾方法能高效地提升大模型的部署實用性。

6 基于改進雙線性的細粒度圖像分類方法

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)對動物數(shù)據(jù)集進行細粒度圖像分類。其中，可變形卷積通過對特征值進行調(diào)整，能自適應(yīng)被識別物體的特征邊界，核聚合網(wǎng)絡(luò)克服了BCNN僅關(guān)注線性相關(guān)的缺點，在非線性領(lǐng)域進一步增強細粒度特征的提取能力，豐富了不同通道間的卷積特征。實驗在不同動物數(shù)據(jù)集上進行，與BCNN模型、其他改進BCNN的模型對比，精確度達到98.85%，同時證明了優(yōu)異的泛化能力。

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

隨著信息化時代的發(fā)展，許多傳統(tǒng)業(yè)務(wù)開始利用信息化手段，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實踐活動仍采用傳統(tǒng)的線下方式，存在效率低、人力成本高、活動管理難、勞動學時認定難等問題。盡管市面上社會志愿服務(wù)平臺普遍存在，但在結(jié)合社會志愿服務(wù)與高校勞動實踐活動管理相融合方面，仍存在平臺信息不對稱、組織管理混亂、學生參與積極性低等問題。為此，文章提出一種基于多維度數(shù)據(jù)采集與融合的勞動管理系統(tǒng)的設(shè)計，以提高勞動素質(zhì)實踐活動的效率和質(zhì)量。該平臺通過多維度數(shù)據(jù)采集，將其他平臺志愿服務(wù)活動融入系統(tǒng)中，結(jié)合高校勞動活動管理，向?qū)W生提供更多更好的志愿服務(wù)機會，培養(yǎng)學生的社會責任感和公民意識。