针对计算机视觉课程教学中理论实践脱节、学生岗位适应周期长的问题，探索了产教融合视域下的课程协同育人模式。通过将企业数字化项目管理实践引入课程教学，构建了“基础理论-项目实战-综合评价”三阶段培养路径，并设计了包含技术能力、项目管理、职业素养三个维度的“三维四阶”全过程评价体系。其中，“三维”指知识、能力、素养三个协同维度，“四阶”包括过程性评价、里程碑评审、成果验收和能力认证四个递进阶段，评价主体涵盖高校教师与企业专家。依托无人机输电线路金具损伤检测和企业工单智能识别两个真实企业项目，实施校企协同教学，学生以5-6人项目组形式开展为期两周的双创周实践。结果表明，该模式显著提升了学生的工程实践能力、项目管理能力和职业素养，课程综合考评中74.54%的学生达到优良水平，其中优秀占比16.36%,良好占比58.18%,中等及以下比例显著下降，不及格率为零。企业专家评定的“甲方满意度”与理论考核成绩呈正相关，验证了产教融合评价机制的科学性。研究为计算机类专业课程的产教融合教学改革提供了可复制的实施方案，对推动工程教育课程改革具有理论价值与实践意义。
句子级别的关系抽取旨在预测句子中不同实体之间的语义关系。当前研究存在两大局限性。现有方法普遍忽视关系层级结构特征，制约模型对复杂语义关系的表征能力；大语言模型在关系密集型场景下，提示工程复杂度持续增长，导致模型推理效能显著衰减。上述缺陷严重影响了复杂医学关系抽取的准确性。针对上述问题，该文提出了一种基于关系层级分类的方法，并设计了一种大小模型联合关系抽取框架，此外，设计了少样本学习范式，在约束大语言模型输出格式的同时，还能为大语言模型提供示范样本。针对联合建模中的错误传播问题，该文提出了使用多智能体协同的方法增强模型的可靠性。实验结果表明，提出的关系层级分类方法在性能上显著超越现有基线模型：在CHIP数据集中使用RLC方法的ChatGLM模型比原始模型高出了25.11百分点；与现有关系语义增强模型相比，在CHIP数据集中比目前关系信息增强的效果表现最好的方法在F1指标上高出5.61百分点，在BioRel数据集上比表现最好的方法在F1指标上高出4.78百分点。进一步研究表明，多智能体协同的方法展现出更强的表征能力，在经微调的关系层级分类方法基础上，在CHIP数据集的F1指标上提升了1.68百分点，在BioRel数据集的F1指标上提升了2.78百分点。
针对现有本体映射方法中多种相似度融合策略缺乏系统性评估的问题，提出一个标准化评估框架，旨在客观比较不同融合策略在本体匹配中的有效性。研究从语义、字符串、属性和实例四个维度计算相似度，并采用最大值、平均值、Sigmoid、Softmax、主成分分析及高效自适应权重等七种融合策略整合相似度矩阵。匹配生成统一采用稳定婚姻算法，确保配对结果的稳定性与可比性。实验基于OAEI的benchmark数据集，在结构完整、属性缺失、实例缺失及双重缺失四类场景下进行测试，以F1值为核心评价指标。结果表明，仅在本体缺乏实例数据的特定情形下，Sigmoid函数法表现出相对更优的适应能力；而在其他多数场景中，高效自适应权重方法在准确性与鲁棒性方面均显著优于其他融合策略，为本体映射中相似度融合策略的选择与优化提供了可量化的实证依据。
气象资料迹线分割是实现珍贵气象历史资料数字化的重要环节。然而，因年代久远、字迹晕染等问题，现有的迹线跟踪和提取算法无法有效提取气象资料迹线复杂背景中的信息，因而需要对传统的神经网络算法进行改进。该文将深度学习技术应用到气象历史资料迹线识别中，设计一种基于Swin Transformer的特征增强边缘检测网络模型FE-Swin,充分利用图像的局部特征和全局表示，实现珍贵气象档案图像中迹线的高精度分割识别。通过迭代训练，将迹线提取结果与人工整理的馆藏报表数据进行对比，精度达到96%以上。这不仅可以减少气象数字化建设中的工作量和人工成本，也为气象服务和研究提供了有力支撑。
随着以数字化和人工智能技术赋能高校思政教育按下快进键，打造新质团课增强思政引领实效成为当前各高校普遍关注的热点和亟待解决的难点。在对现阶段网络社群团课和虚拟现实团课暴露出的应用场景局限、学习模式陈旧、关键功能不足等瓶颈问题深入剖析的基础上，提出以网络化虚拟化向数字化智能化迭代更新深度赋能打造新质团课的新途径。在此指导下，提出了基于“Web平台+虚拟场景+智能体”构建“网络泛在、虚实结合、人机协同”的团课系统设计方案，详细分析了“底层技术、场景构建、团课定制、实施应用”的四层系统架构和轻量化虚拟场景加载、沉浸式“人-景-物”交互、启发式智能助教等关键技术，对实现的“智学、智助、智管”一体化团课功能进行了测试，助推“思政教育+学生团课+数智赋能”三位一体融合发展新生态。
低光照条件下的目标检测是计算机视觉和智能机器人领域中的重要研究课题。在夜间监控、无人驾驶、军事侦察等复杂环境感知应用中，光照不足常导致目标图像细节缺失、噪声增强和对比度下降，从而严重降低检测模型的性能。基于ExDark公开数据集，该文选取Zero-DCE、Zero-DCE++、RetinexFormer、EnlightenGAN与KinD++等五种增强方法，以原始图像为对照组，在YOLOv5s/YOLOv5x与640/960分辨率下进行系统测评。结果表明，多数增强对平均精度与召回率有提升，其中Zero-DCE++与KinD++的综合性能较好。但采用更大规模的YOLOv5x后性能提升效果更明显，对增强方法依赖性较低，整体优于在小模型上应用任何一种增强。此外，提升输入图像分辨率对于轻量级模型(YOLOv5s)的性能增益有限，但计算开销显著增加。该研究不仅揭示了增强与检测任务之间的适配矛盾，研究结论对机器人视觉、夜间监控等应用具有重要意义，为相关领域的算法设计与工程实践提供了重要的参考。
针对单一传感器在复杂天气与光照条件下性能受限的问题，融合毫米波雷达与视觉信息的多模态3D目标检测方法成为提升系统鲁棒性的有效途径。当前主流方法仍面临雷达点云稀疏、图像深度估计不准确及异构模态特征交互不足等挑战。为此，提出一种雷达物理特性先验引导的动态多模态融合增强方法。该方法构建了雷达先验增强网络(Radar Prior Enhancement Network, RaPENet),利用雷达反射强度等物理属性通过动态高斯扩展对稀疏点云特征稠密化建模，并结合空间感知信息优化图像模态深度估计。为了缓解在鸟瞰图(Bird’s-Eye View, BEV)空间融合过程中跨模态特征交互不充分的问题，设计了可变形交叉注意力门控融合模块(Deformable Cross-Attention with Gated Fusion, DCAGFusion),通过动态空间采样与模态可信度调控机制实现异构模态BEV特征之间的空间对齐与自适应性融合。在nuScenes基准数据集上的实验表明，该方法在NDS与mAP指标上分别达到57.4%和45.9%,相较于基线模型提升0.6%,验证了该方法在检测精度与环境适应性方面的有效性。
木材是人们生活中重要的物质材料，其在众多领域中发挥着越来越重要的作用，因此，对木材的分类识别研究具有重要的应用价值。针对通常通过人工识别、光谱分析和视觉分析等方法存在需要依赖专业人员的知识和特定的环境，难以满足用户对普适性、快捷性和安全性的需求，以及消耗大、精度不高等问题，该文提出了一种基于多种模态信息融合的智能感知的木材分类识别方法，引入声音、加速度、陀螺仪三种感知模态对木材进行分类识别。相较于传统方法，该方法具有低成本、易部署、无需携带特定传感器、非视距、不受环境(光照、湿度、温度等)限制等优势。首先，利用智能手机内置麦克风、加速度计和陀螺仪收集样本数据；其次，利用带通滤波器对三种模态的数据进行滤波降噪等预处理操作；再次，对预处理后的数据进行特征提取；最后，通过对三种模态进行融合，采用SVM对木材材质进行识别，实现更为鲁棒的木材材质识别系统。实验结果表明，该方法可以识别10种木材，平均识别率达91.6%。
数字化转型背景下，高校对视频会议系统的需求已从“可用”向“可信、安全、可控”跃迁。该文提出一种基于“云-边-端”协同架构的可信视频会议系统部署模型，通过将专有云的控制调度能力、边缘节点的近场服务能力与终端设备的感知计算能力有机协同，构建了一个弹性、高效、可信的视频会议服务体系。该文深入研究其核心架构与关键技术，并系统性地阐述其在教学、科研、管理等核心信息化场景下的创新应用模式。研究表明，该模式能够有效兼顾公有云的弹性敏捷与私有云的安全可控，通过深度融合国产密码算法、区块链存证等可信技术，为高校构建自主可控、安全可靠、高效便捷的远程协同基础设施提供了完整的解决方案，对保障高校数字化转型安全具有重要参考价值。
中国内陆湖泊长期遭受蓝藻水华问题的困扰。为科学应对这一挑战、有效治理水华并保护水环境，本研究构建了多变量长短时记忆(M-LSTM)模型，通过皮尔逊相关系数筛选出水温、pH值、电导率、溶解氧、浊度和叶绿素a这些关键环境因子作为模型输入特征。此外，为进一步提升模型对水体藻密度动态变化的捕捉与预测能力，该模型创新性地采用了双层LSTM结构。同时，引入批量归一化层对数据进行标准化处理，加速模型收敛；结合丢弃层随机丢弃部分神经元，防止过拟合。在模型训练环节，用顺序预测确保学习顺序合理，采用早停法避免过度训练，通过不断试验筛选出最佳参数组合，进一步提升预测精度。实验结果显示，该模型在藻密度预测上表现出卓越性能，均方误差(MSE)和平均绝对误差(MAE)分别低至0.000 5和0.017 9,精准捕捉并有效预测了藻密度的动态变化。这一技术手段不仅验证了模型的高效性和可靠性，更为水体中藻密度的实时监测与预测提供了科学依据，对预防和治理蓝藻水华具有极其重要的意义。