为教育加持,有孚教育云赋能高校信息化建设

自从云计算、大数据、人工智能等技术正式走进人们生活之后,关于科技赋能教育的探讨和尝试从未停止。其实,教育行业与互联网、科技的融合早已不单单局限于在线工具的辅助教学,而是融在整个教育环境与教育环节中,将能够进一步打破教与学的空间距离,更高效、更优质地实现教育闭环,为教育加持。

 

 

1

“新基建”时代,打造线上教育新模式

 

2020年5月,上海版“新基建”行动方案正式发布,以新发展理念为引领,以技术创新为驱动,以信息网络为基础,面向高质量发展需要,提供数字转型、智能升级、融合创新等服务的基础设施体系,围绕新网络、新设施、新平台、新终端进行统筹布局。

 

 

上海版“新基建”指出:建设面向大规模在线教育的信息化基础应用平台,打造“上海微校”“空中课堂”等线上教育新模式。推进数字教材研究与应用,支持开展智慧教学、个性化教育试点示范。探索建设数字化、在线化老年大学,并推动其他数字校园资源向老年大学开放。

 

以“上海微校”、“空中课堂”为代表的在线教育模式,在新冠疫情后越来越为大家所接受,线上线下相结合的学习方式将更加普及并呈现多元化的趋势。面对大规模在线教育信息化平台的建设,有孚网络发挥自身技术能动性,以云计算服务、数据中心资源为优势,以覆盖上海全市3000余所学校的教育城域网资源为依托,保障线上教育教学平台能够快速实现自动化、智能化运行,并减少管理运维压力,降低学校成本,实现资源共享,提升教学质量,成为打造新型数字化学校的“数字基石”。

 

 

2

有孚教育云,共同构建上海教育云生态圈

 

上海教育云是基于SEMAN的网络互联优势,聚焦教育行业特点与共性需求,能够安全可靠运行、满足教学科研与管理要求、可由各教育单位随需灵活选用的网络、计算、存储、应用、安全、服务能力等各种云资源的集合。

 

有孚网络,作为首批入选上海教育云网融合的合作服务商,与上海市教委共同构建上海教育云生态圈。

 

有孚网络通过SEMAN的POP点,高带宽接入上海教育城域网,与SEMAN的充分融合,以期在实施过程中保证服务质量,减少学校的工作量,在运行过程中确保教育用户体验,满足教育用户需求,实现上海教育云安全管理。此外,有孚网络将有孚云资源加入上海教育云资源池,保证与上海教育云高速互联、弹性地扩展云资源和优质服务,实现云资源与各区校自建云统一管理、提供全方位安全服务、提交符合要求的管理数据等。

 

 

3

有孚蓝鲸,让高校运维更“高效”

 

科技校园的发展,带来了以各种应用服务系统为载体的校园工作、学习、生活一体化场景,传统的教育系统逐渐形成智能化、大数据化和网络化的模式。应用涉及到校园生活的各个方面,如教学科研、招生就业、学科交流、通讯办公、公共支撑服务等管理工作和沟通平台。

 

有孚网络结合云网融合资源,以有孚蓝鲸为平台,通过有孚云与高校之间的专线铺设和 API 接口数据调用,帮助高校实现一站式自动化运维管理,让高校运维更“高效”。

 

 

以科技赋能,为教育加持。未来,有孚网络将加快突破,通过自身的云基础设施、过硬的服务以及丰富的行业经验,推动传统教育产业与新技术产业的融合,助力高校教育信息化建设。

  • 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