【摘 要】
：
在目前教育产业背景下,智能阅卷相较于手工阅卷在时间和成本上具备巨大优势,而基于光标阅读机的智能阅卷算法在使用成本和应用场景上存在诸多限制。深度神经网络凭借着强大的特征抽取能力,逐步在智能阅卷领域占据一席之地。本文以深度神经网络为基础,针对算术试卷设计了一个端到端的智能阅卷算法,能够以较快的速度完成算数试卷的智能批阅,其研究内容主要如下:（1）为了降低网络参数和解决特征融合的冲突问题,提出基于深度卷
论文部分内容阅读
在目前教育产业背景下,智能阅卷相较于手工阅卷在时间和成本上具备巨大优势,而基于光标阅读机的智能阅卷算法在使用成本和应用场景上存在诸多限制。深度神经网络凭借着强大的特征抽取能力,逐步在智能阅卷领域占据一席之地。本文以深度神经网络为基础,针对算术试卷设计了一个端到端的智能阅卷算法,能够以较快的速度完成算数试卷的智能批阅,其研究内容主要如下:（1）为了降低网络参数和解决特征融合的冲突问题,提出基于深度卷积和坐标注意力的阅卷检测算法。算法选择YOLOv5网络作为检测的基础框架,首先使用Mobile Next模型作为特征提取的主干网络,利用深度卷积结构提高模型的推理速度;接着通过在特征融合前期引入坐标注意力机制,让网络自适应学习每个尺度的关键特征信息,缓解不同尺度特征融合造成的信息冲突;最终利用多尺度特征和NMS技术联合预测。实验表明,该算法能够在降低模型参数的同时,有效提升阅卷模型的检测精度。（2）针对算数试题的字符倾斜和粘连问题,提出基于空间变换和增强注意力的阅卷识别算法。算法选用CRNN网络作为识别的基础框架,首先通过在模型初始引入STN空间变换,利用仿射变换技术对试题图像的位置进行修正,加速识别模型的收敛;然后在特征提取网络中添加增强注意力机制,使得网络侧重关注粘连的字符区域;最终利用CTC解码机制得到题目的语义信息。结果表明,该算法以引入少量参数量的代价,显著提升阅卷模型的识别精度。（3）考虑到模型部署的局限性,提出了应用于移动端的轻量级阅卷算法。算法首先选用侧重于移动端任务的ESNet网络用于特征提取,提升模型在移动端的推理速度;然后对于特征融合网络中的CSP模块替换成更为轻量的DWBlock模块,多尺度预测也由三个尺度降低为两个尺度;最后调节深度和宽度乘子压缩网络的整体参数,利用ncnn框架实现移动端的部署。经过测试,该算法以损失少量精度的代价,实现阅卷模型在移动端的实时推理。
其他文献
无人机视角下的露天目标检测与计数是近年来人工智能、计算机视觉领域的一项重要任务,主要运用深度卷积神经网络、特征融合等算法推算图像中露天目标的位置、数量与密度情况。现有工作和进展已经能够基本满足航拍图像中车辆的检测与计数以及街拍图像中的人群密度估计,但由于无人机航拍图像的背景复杂、目标较小等因素,通用目标检测算法经过多次下采样后容易造成对小目标的丢失。因此,对航拍图像中人、车辆等多目标进行同时检测与
社会科技技术迅猛发展,不少城市都提出了打造智慧城市的要求,智慧交通是随着智慧城市的提出而产生的。传统的车牌区域检测系统存在着模型较大、计算量高、部署困难、不同场景识别率低的问题,这些问题已经导致传统车牌检测识别系统不能满足新时代要求。本文通过车牌区域检测以及车牌字符识别两个步骤来进行车牌识别,利用改进轻量化目标检测模型提高车牌区域检测精度与速度,采用端到端的文本识别组合模型进行车牌字符精确识别。针
交通大数据是构建城市智能交通系统的关键技术,带动城市交通在感知、人车路协同、大数据分析以及综合服务等方面整体升级与创新发展。手机信令数据具有时效性、连续性和覆盖广等优势,通过对手机信令数据的交通模式识别与预测研究,可以实现人流出行分析以及路网路况分析,对于实施智能交通大数据服务和建立城市治理体系具有理论意义与实际价值。目前国内外对手机信令数据进行了较多研究,一方面,基于机器学习的出行模式识别方法大
随着新兴自动驾驶等计算密集型应用的出现,车辆通信需求不断增长,车联网（Internet of vehicles,Io V）终端面临端到端时延和能耗的双重挑战。移动边缘计算（Mobile edge computing,MEC）作为5G关键技术之一,通过将计算和存储能力从云端下沉到边缘侧,减少数据处理时延并降低终端能耗,将边缘计算引入车联网,运营商有能力为用户提供更低时延的服务,会在未来的智能车联网中
交通流预测是城市智能交通系统的重要组成部分,高效的预测算法会帮助城市范围内的人们满足他们的出行需求,同时减少城市交通资源的浪费、降低交通拥堵的概率。本文利用深度学习和贝叶斯相关理论对交通流量数据集进行建模,分别引入贝叶斯深度网络、残差校准深度网络方法,设计了两种时空图像的交通流预测模型,通过组合模型设计与时空特征深度挖掘,利用公开数据集对交通流预测性能进行评估,并开发交通流预测系统进行可视化分析和
近年来,车联网（IoV）技术快速发展,车辆可以提供多媒体娱乐、自动驾驶等智能车载服务,为用户提供各种实时便捷信息,但是车辆任务对延迟、带宽和能耗的要求都变得更高。边缘计算引入了接近最终用户的分布式处理能力,提高车联网系统的服务质量（QoS）,但边缘计算的高能耗和高碳排放引发了人们对绿色边缘计算的强烈需求。为了提供令人满意的计算性能并实现绿色计算,本文研究了面向车辆网的绿色边缘计算系统（GEC-Lo
随着科学技术的发展,各类新型汽车应用层出不穷,如增强现实（AR,Augmented Reality）导航、人机动态交互等,这些应用对数据转发的时延及可靠性都具有很高的要求,并且传统云计算无法满足所有新型应用的时延要求,因此车载通信中低时延高可靠的数据转发面临着巨大的挑战。随着移动边缘计算技术的提出,边缘缓存为车联网中低时延高可靠的数据转发提供了一种可行的解决方案。然而在实际场景中,不仅边缘服务器的
车载网络的发展日新月异,传输数据从单一的控制数据向多种类型的数据模式发展,对现有的车联网系统解决方案提出了迫切的创新需求。即时译码网络编码技术（Instantly decodable network coding,IDNC）是一种机会网络编码技术,其原理根据接收状态信息对数据包进行异或编码操作,可以有效地减少数据包的译码时延,十分符合车联网的使用场景。此外,对车联网的中的节点进行分簇不仅可以有效地
近年来,智能交通行业蓬勃发展,涌现了一批改善驾驶体验及安全性的车载应用。然而这些应用服务多是计算密集型或时延敏感型的,这对移动车辆存储和计算能力带来了严峻的考验。另一方面,传统的基于云服务的卸载方案由于云服务器离移动车辆太远,无法满足低时延要求车载应用。通过将移动边缘计算技术引入车联网,在网络边缘侧部署移动边缘服务器,可以显著提高车辆在通信、存储和计算等方面的能力。本文研究了车联网环境下基于移动边
量子密钥分发（Quantum Key Distribution,QKD）协议可以为合法的通信双方提供安全的密钥,其安全性由量子力学定律所保证,在理论上具有无条件的安全性。近年来,双场量子密钥分发协议（Twin-field Quantum Key Distribution,TF-QKD）的出现突破了QKD协议的限制,引起了QKD领域各方研究人员的关注。其改进协议“发送或不发送”量子密钥分发协议（Se