计算机基础教育高峰论坛,黑龙江外国语学院参加计算机基础教育高峰论坛

黑龙江外国语学院信息工程系副主任马宪敏参加了在海南三亚举行的计算机基础教育高峰论坛。该论坛由多所知名高校的专家学者参与,旨在探讨计算机基础教育的改革与创新,促进校企协同育人。谭浩强教授设立了“谭浩强计算机教育基金”,以表彰在计算机基础教育中有突出贡献的教师。论坛还涵盖了数据科学、人工智能等主题的报告,并对未来的计算机基础教育方向进行了展望。
摘要由CSDN通过智能技术生成

未来网高校频道11月15日讯(记者 耿玥 通讯员 林钊宇)黑龙江外国语学院信息工程系副主任、副教授马宪敏于2018年11月9日—11日期间,在海南省三亚市参加计算机基础教育高峰论坛暨2018全国高等院校计算机基础教育研究会学术年会。

本次论坛由全国高等院校计算机基础教育研究会和三亚市人才工作领导小组办公室主办,三亚学院信息与智能工程学院、三亚市科学技术协会、全国高等院校计算机基础教育研究会数据科学专业委员会承办。清华大学、中国人民大学、浙江大学、中国传媒大学、北京理工大学、北京语言大学、同济大学、天津大学等150余所高校的400余位知名专家学者参会。

我国著名计算机教育家、全国高等院校计算机基础教育研究会荣誉会长谭浩强,中国科学院院士、全国首届高等学校教学名师陈国良,全国高等院校计算机基础教育研究会会长、中国传媒大学动画与数字艺术学院院长黄心渊,三亚市副市长谢庆林,三亚学院校长陆丹等出席论坛开幕式。此次论坛以“合作共享·融合创新”为主题,旨在打造计算机教育改革创新合作平台、优秀成果展示平台,促进计算机基础教育与企业协同育人,满足产业前沿科技需求,融入基础教学,引领全国计算机基础教学发展方向。

b6ce61c107a58265c3e2493574c106f7.png

会上,教育专家、教授谭浩强致辞,他回顾了研究会自1984年成立至今34年的历程,对研究会的建设提出了新的期望,为了鼓励和支持计算机基础教育和计算机普及。谭浩强拿出个人稿酬100万元,设立“谭浩强计算机教育基金”,以奖励在全国高校从事计算机基础教育中取得优异成绩的老师。“谭浩强计算机教育基金”正式启动,以后每年评选一次,每次奖励几位教师,由研究会颁发荣誉证书和奖金。他说,研究会是交流经验的平台、研讨教育理念的场合、人才成长的孵化器。他强调发展计算机基础教育要找准位置,面向应用,学以致用。计算机基础教育面临新的挑战,要深入研究在新形势下计算机基础教育的定位,重新规划课程体系,革新教学方法,抓住机遇,再创辉煌。

随后,中国科学院院士、全国首届高等学校教学名师陈国良,研究会副会长、北京理工大学教授、北京市教学名师郑莉,浙江大学计算机学院博士翁凯等专家学者作了《数据科学与人工智能在计算机教学中的新常态》、《教育技术推动下的课程建设新形态》、《老课新设计—有线上支持的 C 语言课程设计》等11个主题报告。

全国高等院校计算机基础教育研究会副会长、天津大学教授张钢对2018年全国高等院校计算机基础教育研究会教研立项情况进行了汇报,同时,对2019年立项进行了介绍,继而公布了2019年项目申报的时间节点。

最后,研究会副会长、同济大学教授龚沛曾对大会进行了总结:全国高等院校计算机基础教育研究会是我国具有重要影响力、专门从事高校计算机基础教育研究的全国一级学术团体,是全国计算机教育的重要交流平台。

2018年,黑龙江外国语学院信息工程系共有7个项目通过全国高等院校计算机基础教育研究会的项目立项,获得研究会项目赞助经费共计1.1万元,这是黑龙江外国语学院信息工程系科研史上的重大突破。本次会议聚焦新理念、新方法、新技术、新工科、双一流等方面对计算机基础教育的影响,高瞻远瞩。黑龙江外国语学院今年将继续紧跟潮流,重视“产学研用协同一体化”的人才培养与科学研究方式,不断夯实基础学科的系统性建构和坚持人才培养的完整性。

举报/反馈

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值