英语教学中应重视培养学生的“自主学习”能力

新世纪对英语教学提出了新的更高的要求。如何培养学生英语自主学习、自我探索和创新能力,已成为当前学校英语教学研究领域的重大课题。英语教师作为课堂教学的组织者和实施者,同时也是英语教学改革的践行者,在教学过程中应注重转变教学观念,充分利用现代化教学手段和方法,把培养学生的英语自主学习能力放在首要地位。     

OBE与CSE双视域下大学英语课程宏观与微观设计探索

大学英语教学质量的提升离不开宏观教育目标与微观教育过程的相互匹配。本文拟从基于产出的教育理念（OBE）和《中国英语能力等级量表》（简称CSE）双重视域,从宏观和微观层面对大学英语课程的学习产出进行定义、实现、评估和使用,以期实现学生在语言知识、能力结构和人文素养方面的全面提升。     

尾坐式垂直起降无人机纵向抗风性能分析

分析了四旋翼尾坐式垂直起降无人机的纵向受力情况,建立了纵向动力学模型,并进一步分析了其最大抗风能力边界。针对尾坐式无人机在强风扰下位置跟踪精度差的问题,引入了迭代学习控制(ILC)。针对尾坐式无人机起降阶段的控制过程非重复性的问题,提出了分段迭代学习控制方法。通过仿真验证表明,该方法具有较好的稳定性,能够提高强风扰下无人机垂直状态的位置和高度控制精度。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

真实场景水下语义分割方法及数据集

随着水下生物抓取技术的不断发展,高精度的水下物体识别与分割成为了挑战。已有的水下目标检测技术仅能给出物体的大体位置,无法提供物体轮廓等更加细致的信息,严重影响了抓取效率。为了解决这一问题,标注并建立了真实场景水下语义分割数据集DUT-USEG,该数据集包含6 617张图像,其中1 487张具有语义分割和实例分割标注,剩余5 130张图像具有目标检测框标注。基于该数据集,提出了一个关注边界的半监督水下语义分割网络(US-Net),该网络通过设计伪标签生成器和边界检测子网络,实现了对水下物体与背景之间边界的精细学习,提升了边界区域的分割效果。实验表明:所提方法在DUT-USEG数据集的海参、海胆和海星3个类别上相较于对比方法提升了6.7%,达到了目前最好的分割精度。      

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法,首先介绍目标检测算法SSD(Single Shot MultiBox Detector),并对其特征提取网络进行改进,采用稠密特征提取网络替换原网络的主干特征提取网络,提高算法的特征提取能力,从而提升了算法的检测精度。针对网络实时性问题,在算法中引入分组卷积,极大地减少了网络参数量,提升了网络推理速度。为解决训练中出现的正负样本不均衡问题,利用焦点损失（Focal Loss）改进了原算法的损失函数,进一步提升了网络的收敛速度和精度。最后,通过仿真验证了改进算法在目标检测精度上的优越性。     

基于YOLOv5的红外目标检测算法

针对红外图像的特点,提出了一种YOLOv5-IF算法,采用基于残差机制的特征提取网络,实现了不同特征层之间信息的高效交互,能够得到更丰富的目标语义信息。通过改进YOLOv5的检测方案,增加更大尺度的检测头,有效提升了红外图像中小目标的检测概率。针对计算平台资源有限、算法实时性要求高等问题,设计了Detection Block模块,并由此构建了特征整合网络,该模块不仅能提升算法检测精度,还可有效缩减模型参数量。在FLIR红外自动驾驶数据集上,该算法的平均准确率(mAP)为74%,参数量仅19.5MB,优于现有算法。     

行星软着陆GPS有模型强化学习制导方法

由于距离地球较远、测控延时误差较大、飞行环境十分复杂且难以提前预测，行星软着陆的自主制导技术目前存在水平位置估计困难、导航参考信息匮乏、复杂地形着陆困难等挑战。针对行星软着陆存在的困难和挑战，提出了基于引导策略搜索算法的有模型强化学习制导方法，实现了着陆器在初始状态受到扰动时，无需重新规划，仍能在满足约束条件的情况下降落在指定位置。该方法将迭代线性二次调节器作为控制器，产生初始轨迹；其次，使用多层神经网络拟合制导策略；最后，利用控制器监督策略学习，进而收敛产生可行策略。针对行星表面软着陆的仿真验证结果显示该算法仅通过几次循环，即可以实现初始状态变化的快速软着陆。一方面表明了基于有模型强化学习的数据高效利用率，另一方面也证明了强化学习方法在深空探测领域中具有广阔的应用前景。     

基于多尺度联合学习的行人重识别

现有的行人重识别方法主要关注于学习行人的局部特征来实现跨摄像机条件下的行人辨识。然而在人体部件存在运动或遮挡、背景干扰等行人数据非完备条件下，会导致行人局部辨识信息丢失概率的增加。针对这个问题，提出了一种多尺度联合学习方法对行人辨识特征进行精细化表达。该方法包含3个分支网络，分别提取行人的粗粒度全局特征、细粒度全局特征和细粒度局部特征。其中粗粒度全局分支通过融合不同层次的语义信息来增强全局特征的丰富性；细粒度全局分支通过联合全部局部特征，在对全局特征进行细粒度描述的同时学习行人局部部件间的相关性；细粒度局部分支则通过遍历局部特征来挖掘行人非显著性的信息以增强局部特征的鲁棒性。为了验证所提方法的有效性，在Market1501、DukeMTMC-ReID和CUHK03三个公开数据集上开展了对比实验，实验结果表明:所提方法取得了最佳性能。