2021高职国赛创新创业赛项规程:实战演练与人才培养

需积分: 15 1 下载量 126 浏览量 更新于2024-07-14 收藏 367KB PDF 举报
创新创业赛项规程GZ-2021053是针对2021年全国职业院校技能大赛高职组的一项重要比赛规则,其目标是深入贯彻国家职业教育改革方案,推动职业教育向高质量和适应性发展。竞赛旨在提升财经商贸类人才培养质量,促进创新与创业教育与专业教育的深度融合,构建“专创融合”的教育模式。 竞赛的核心目的是落实立德树人的教育理念,培养符合新时代需求的社会主义事业建设者和接班人。参赛者需具备扎实的专业技能和创新创业能力,通过比赛展示他们的财经商贸知识、创新思维、职业道德和综合素养。比赛内容覆盖了广泛的财经商贸领域,如工商管理、市场营销、电子商务、财务会计和物流等,鼓励跨专业团队合作。 比赛共分为三个阶段:创业企业模拟运营实操、创新创业项目路演答辩和项目运营实践。其中,创业企业模拟运营实操部分占据重要位置,参赛者扮演CEO等五个关键角色,通过软件平台模拟真实企业的运营,涉及财务、生产、销售和人力资源等多方面决策。他们在三个会计年度内持续经营,最终根据企业的固定资产和净利润等指标评估团队表现,评判标准主要依据软件系统的评价数据。 运营决策环节强调实战操作,要求参赛者运用所学理论知识解决实际问题,展现市场识别、产品营销等技能,同时提高财经商贸专业人才的社会认可度。整个竞赛过程不仅考察理论知识,更看重选手的实践能力和创新能力,是检验和提升职业教育改革成果的重要途径,有助于深化教学改革,推进“以赛促教、以赛促学、以赛促改、以赛促创”的理念。 GZ-2021053创新创业赛项规程为参赛选手提供了展示才华和提升技能的舞台,对于推动高职院校财经商贸类专业的高质量发展以及“专创融合”教育模式的推广具有重要意义。
2024-09-06 上传
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