武汉大学学报(理学版)

 

  • 主编:邓子新
  • 影响因子:1.821(CNKI)
  • ISSN:1671-8836
  • CN:42-1674/N
  • 主办单位:武汉大学
  • 出版周期:双月刊
  • 电话:027-68756952
  • 邮箱:whdz@whu.edu.cn
  • 地址:湖北省武汉市武昌区武汉大学文理学部本科生院楼北楼504

 

更多
  • 最新文章
  • 优先出版
  • 过刊浏览
  • 视频速递
更多
Volume 71 期 4,2025 2025年71卷第4期
  • 综述

    智能技术发展推动数字化学习,认知负荷智能化评估成研究热点。专家梳理机器学习、深度学习算法在评估中的应用,探索大语言模型潜力,为高效学习提供帮助。

    刘娟, 胡雪莲, 王军豪, 刘清堂, 付雅瑄

    DOI:10.14188/j.1671-8836.2024.0211
    摘要:随着智能技术的飞速发展,数字化学习的逐渐普及为学习者们提供了多样化的资源和途径,然而这一学习方式在丰富学习体验的同时也对学习者的认知负荷带来了复杂的挑战。传统的认知负荷测量方法存在过程性不足、动态监测缺失以及即时反馈缺乏等精准度方面的问题,因此,认知负荷智能化评估逐渐成为研究的热点。智能化评估通过结合生理指标,利用机器学习与深度学习等非侵入性技术手段,实现对学习者认知负荷的精准评估。本文系统梳理了支持向量机、随机森林、线性判别分析等传统机器学习算法,以及前馈神经网络、卷积神经网络、长短期记忆网络和混合模型等深度学习算法在认知负荷智能化评估中的应用,探讨数字化学习中认知负荷智能化评估的启示和发展方向,并探索了大语言模型在认知负荷智能化评估中的潜力,旨在为高效的数字化学习提供帮助。  
    关键词:数字化学习;认知负荷;智能化评估;机器学习;深度学习   
    184
    |
    92
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 91987167 false
    更新时间:2025-08-28
  • 人工智能与深度学习

    在室内定位领域,可见光惯性紧组合定位系统有效提升了遮挡和倾斜情况下的定位精度,平均精度达10.27厘米。

    庄园, 韩旭, 孙骁, 姜家乐, 周嘉升

    DOI:10.14188/j.1671-8836.2024.0111
    摘要:可见光定位(VLP)由于其低成本、高精度、现有基础设施大量部署等优点而在室内定位研究与应用中受到广泛关注。然而,VLP系统在接收端倾斜或被遮挡的情况下定位性能严重下降。针对这一问题,设计了一个可见光惯性紧组合定位系统。该系统引入惯性测量单元以估计接收端倾角,从传感器原始观测层面进行滤波融合以削弱遮挡的影响,并通过附加运动约束来增强定位性能。系统在实际测试中平均定位精度达10.27 cm,在遮挡和倾斜情形下相比纯VLP精度分别提升了35.34%和63.19%,综合性能优于现有方法。  
    关键词:室内定位;可见光定位;惯性导航;紧组合系统;运动约束   
    128
    |
    96
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 77047359 false
    更新时间:2025-08-28
    在交通标志检测领域,研究者提出了基于改进YOLOv8模型的新方法,通过引入注意尺度序列融合机制和增加小目标检测层,有效提升了多尺度信息提取能力和小目标检测性能。同时,采用RT-DETR检测头和inner-mpdiou损失函数,显著提高了模型训练效率和精度。实验结果表明,该方法在保证实时性的前提下,平均精度高达84.0%,相较于YOLOv8模型提高了7.1%,整体模型大小降低了12.9%,有效提升了低分辨小目标检测的有效性。

    余荣威, 张逸轩, 曹书明, 王丽娜

    DOI:10.14188/j.1671-8836.2024.0077
    摘要:当前交通标志检测方法主要依赖单阶段深度学习算法构建的目标检测模型,存在检测精度低、模型通用性弱等问题。为解决这类问题,提出一种基于改进YOLOv8模型的交通标志检测方法。该方法通过引入基于注意尺度序列融合的机制,提升了神经网络对于多尺度信息的提取能力;通过增加小目标检测层,使得方法更适用于小目标检测;采用RT-DETR的检测头,通过解耦尺度内交互和跨尺度融合高效处理多尺度特征。此外,为了克服现有交通标志检测方法在弱泛化方面的局限性,提高包围盒回归的准确性和效率,采用一种全新的损失函数inner-mpdiou,有效提高了模型的训练效率和精度。基于清华-腾讯100K(TT100K)数据集的实验结果表明:在保证实时性的前提下,该方法平均精度高达84.0%,相较于目前国际主流YOLOv8模型,提高了7.1%,整体模型大小降低了12.9%,提升了低分辨小目标检测有效性。  
    关键词:小目标检测;交通标志检测;YOLOv8;低分辨率;损失函数   
    391
    |
    269
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 77116446 false
    更新时间:2025-08-28
    GMambaScanX在三维人体姿态估计领域取得突破,通过GCN和Mamba双流并行方法,有效提取人体结构特征,提高模型效率。

    汤昊霖, 袁煜麟, 卢笑, 汪鲁才, 吴成中, 王耀南

    DOI:10.14188/j.1671-8836.2024.0143
    摘要:基于Transformer的模型通过编码所有的关节点之间的连接关系,捕获全局视野的数据依赖关系,因而在三维人体姿态估计任务中取得了优秀性能。然而这类方法无法对关节局部依赖关系进行建模,且存在模型计算复杂度随序列长度平方增长的计算资源浪费问题。为了解决上述问题,本文将人体运动过程定义为状态空间模型的序列输入和输出过程,提出基于GCN(Graph Convolutional Network)和Mamba双流并行的人体结构扫描三维姿态估计方法GMambaScanX,GCN模型对人体运动序列时空邻接关系进行建模,增强模型的局部依赖关系捕获能力。Mamba模型对人体运动序列时空长程关系进行建模,增强模型的全局依赖关系捕获能力,提出两种MambaScan扫描策略,针对人体运动状态转移特征的时序关节扫描,增强模型在时间维度对人体运动特征的理解能力;针对人体关节结构特征的人体结构先验引导的空间关节扫描,增强模型在空间维度对人体结构特征的理解能力。GMambaScanX在Human3.6M数据集上进行训练验证,平均关节位置误差为39.8 mm,参数量仅为MotionBERT的12.4%(5.3×106)。相比于进行全连接建模,GMambaScanX能够更好地提取人体结构特征,高效使用参数,提高模型的有效性与效率。  
    关键词:三维人体姿态估计;状态空间模型;图卷积网络;人体结构关节点扫描   
    181
    |
    132
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 82681553 false
    更新时间:2025-08-28
查看更多
  • 虚拟专辑
  • 精选图片
更多
批量引用
0