随着人脸识别技术的广泛应用,人们需要快捷准确地在遮蔽情况下进行身份检测,提高在遮蔽物影响下的识别准确度与时效性是目前人脸识别面临的巨大挑战,简要介绍了人脸识别的流程,并探讨其在遮蔽条件下的人脸识别原理,通过纹理特征分析和Haar特征,探讨了OpenCV检测与基于深度学习的MTCNN算法在不同条件下技术的可行性,以及未来人脸识别技术的差异,以期实现更好的发展,为各种应用场景中测量遮蔽物影响的人脸识别结果提供更多方法与手段.

为了提高文本分类的性能,采用差分进化的卷积神经网络(convolutional neural network,CNN)算法进行分类.首先随机设置CNN结构参数,然后采用差分进化算法优化参数,通过交叉和选择等操作选择不断进化获得最优个体,为增强差分优化的适用性,将缩放因子变化与进化代数相关联,解决了因为缩放因子设置不合理而造成优化等级不高的问题.卷积神经网络采用经过差分优化后的权重和阈值对文本进行分类训练,以获得稳定的文本分类结果.实验证明,通过合理设置差分进化交叉速率和卷积神经网络的卷积核尺寸,能够获得较好的分类准确率性能,RMSE值更低,在文本分类中的适用度高.

In order to improve the accuracy and efficiency of text classification, a text classification method based on Word2Vec text representation and AlexNet-2 with improved attention mechanism is proposed.Firstly, Word2Vec is adopted to embed the text word features, and the word vector is trained to represent the text in the form of distributed vectors.Then, an improved AlexNet-2 is used to effectively encode the long-distance word dependency.Meanwhile, the attention mechanism is added to the model to learn the contextual embedding semantics of the target word efficiently, and the word weight is adjusted according to the correlation between the input of word vector and the final prediction result.The experiment is evaluated in three public data sets, and the situations of a large number of sample annotations and a small number of sample annotations are analyzed.Experimental results show that, compared with the existing excellent methods, the proposed method can significantly improve the performance and efficiency of text classification.

校园安全关系到学生的健康成长,与每个师生、家长和社会都有着密切的关系,保证校园的安全是每个学校及教育工作者应有的责任.校园的出入口作为校园的第一道防护关卡,需要无时无刻地记录每一位出入人员的动向,但如果依靠人力去实现,实施起来会带来极大的困难,如果借助于人脸识别技术,则能极大地减少校园安保人员的工作量,同时提高对出入人员身份验证的工作效率.基于已经发展并且成熟的人脸识别技术,结合大数据的主流框架——Hadoop来提升人脸识别的效率,使用大数据技术进行大范围人脸数据的管理,从而更好地将其应用到校园安保工作,对校园安全管理的优化具有十分重要的意义.

2020年初,国家教育部门与相关机构倡导课堂教学实施整体从以往的线下教学改为居家在线学习,选择在线直播或平台选课等各种方式进行教学.该文也在此背景下借助目前一些在线授课软件,如钉钉、腾讯会议以及一些在线教学网站中国MOOC平台、泰迪在线平台来辅助教学,该课题通过对一个学期的在线教学+一个学期的线上线下结合的教学模式下学生用户数据的采集、在线问卷调查,深入研究并挖掘出能对在线教学资源以及教学管理的优化具有十分重要的意义,提升高校课程实施在线教学并有效把控课程评价指标服务的可持续性发展.

为了提高智能推荐系统的性能,采用狼群优化的K-means聚类挖掘实现数据分类,通过协同过滤完成智能推荐.为了提高推荐效率,引入Spark平台多节点完成聚类和推荐.建立用户和资源的K-means聚类模型,采用狼群优化算法对初始类别中心点进行优化,以提高聚类准确度,根据用户和资源的类别属性获得用户-资源评分数据,最后建立协同过滤智能推荐模型.根据推荐效率要求,将推荐模型部署至Spark平台,实现聚类和智能推荐的分布式运算.实验证明,通过合理设置聚类中心点数目,结合Spark平台多节点运算,与常用推荐算法对比,所提算法可以获得更准确的推荐性能,在大规模数据的智能推荐系统中更能满足实时性要求,智能推荐效率高.