视觉特征对比解耦的广义零样本学习

广义零样本学习通常利用在ImageNet上预训练的深度模型来提取相应的视觉特征,然而预训练模型提取到的视觉特征不可避免地包含和语义无关的信息,这将导致语义—视觉对齐的偏差以及对不可见类的负迁移,从而影响分类结果。为解决上述问题,提出了视觉特征对比解耦的广义零样本学习模型(visual feature contrast decoupling for generalized zero-shot learning, VFCD-GZSL),通过解耦出视觉特征中的语义相关表示来降低冗余信息对分类结果的影响。具体来说,首先用条件变分自编码器生成不可见类的视觉特征。然后通过解耦模块将视觉特征解耦语义相关和语义无关的潜层表示,同时添加总相关惩罚和对比损失来鼓励两者间的相互独立,并用语义关系匹配模型衡量其语义一致性,从而指导模型学习语义相关表示。最后使用特征细化模块细化后的特征和语义相关表示联合学习一个广义零样本学习分类器。在四个数据集上的实验均取得较优的结果,证实了所提方法的有效性。     

图模型在彩色纹理分类中的应用

纹理分析中往往将彩色图像转换为灰度图以降低计算复杂度,这样就忽略了颜色信息。而利用主成分分析 的方法来降维彩色纹理,则可以尽可能地保留颜色和纹理信息。高斯图模型(Uaussian Graphical Models, GGM)可以 很好地描述有交互作用的高维数据,因此可用来建立图像纹理模型。根据局部马尔可夫性和高斯变量的条件回归之 间的关系,可将复杂的模型选择转变为较简单的变量选择。通过惩罚正则化方法,其部域选择和参数佑计可同步进 行,然后提取纹理特征进行彩色纹理分类,实验显示其具有很好的效果。因此,结合主成分分析和高斯图模型来构建 彩色纹理模型有很好的发展前景。     

纹理分析中的图模型

纹理作为一种重要的视觉特征,广泛应用于图像分析。高斯图模型（GGM）可以很好地描述有交互作用的高维数据,因此可用来建立图像纹理模型。根据纹理特征的局部马尔可夫性和高斯变量的条件回归之间的关系,将复杂的模型选择转变为较简单的变量选择,应用惩罚正则化技巧同步选择邻域和估计参数。提取基于图模型的纹理特征分析纹理,实验显示了很好的效果。因此,利用高斯图模型来构建纹理模型有很好的发展前景。     

基于学科竞赛的大学生学习能力与核心素养培育模式研究

工程教育背景下,针对当前部分大学生学习能力弱、综合素质欠佳等问题,首先,构建以学生为中心、学练融合的创新教学模式,以多元化的知识为载体,培养学生分析、解决问题的实践能力和创新思维意识;其次,利用学科竞赛平台开展多元化的课外实践活动,形成培养"领头羊"、落实"老带新"、倡导"优带弱"、激励"弱自强"的互助帮扶机制,激发学...     

新松换流站高边坡分析与设计

边坡作为换流站中最基础的重要土建工程,对换流站的安全性有极大的影响。由于复杂的地质条件与大的地形落差,高烈度地区换流站边坡设计具有特殊的复杂性。本文结合新松换流站的高边坡设计,对挖方边坡、填方边坡的分析与设计思路、流程等进行了简要介绍。首先分析了挖方边坡的设计,随后讨论了填方边坡支挡方案的比选、抗滑桩的受力分析、边坡填土方案的选择等,最后根据边坡变形的实测数据对当前边坡的稳定性作出评价,并得出相应结论,对今后换流站中的高边坡设计提出建议。     

水文自动测报基本系统综合评价方法探讨

根据对水文自动测报基本系统基础数据的采集、传输和处理流程的研究，设置了一套以数据采集精度、可靠性和软件功能为主的水文自动测报基本系统性能综合评价指标体系。该体系将处理2具有模糊性的工具－模糊数学和层次分析法结合起来，建立了水文自动测报基本系统性能的多级模糊综合评价模型。该模型既能处理定量指标，又有处理定性指标；即能对指标体系中的单指标进行评价，又能综合各单指标的评价结果；以求得对水文自动测报基本系统性能的综合评价，具有通用性、灵活性、模糊性和可操作性等特点。     

宁波市白溪水库水文特征演变规律分析

基于宁波市白溪水库长系列水文气象资料,采用不均匀系数、完全调节系数衡量入库流量的年内分配情况,通过极值比、变差系数、滑动平均法、累积距平法探究白溪水库降雨量、入库流量/年径流量的年际变化趋势,运用Mann-Kendall检验、滑动T检验和有序聚类检验探究径流量的可能突变年份,根据Morlet小波函数分析径流量的周期性。研究结果表明:受梅汛、台汛影响,白溪水库月入库流量呈双峰型曲线;降雨量的极值比、变差系数比入库流量的小,各阶段降雨量和入库流量的变化趋势并不完全一致;白溪水库年径流量呈略微增长趋势,其变化率为0.0 035亿m~3/a;多年平均径流量为2.54亿m~3,近10 a平均径流量为2.68亿m~3;白溪水库年径流量的突变年份为1971年,且存在着21,10,4 a的变化周期。     

图模型在彩色纹理分类中的应用

纹理分析中往往将彩色图像转换为灰度图以降低计算复杂度,这样就忽略了颜色信息.而利用主成分分析的方法来降维彩色纹理,则可以尽可能地保留颜色和纹理信息.高斯图模型(Gaussian Graphical Models,GGM)可以很好地描述有交互作用的高维数据,因此可用来建立图像纹理模型.根据局部马尔可夫性和高斯变量的条件回归之间的关系,可将复杂的模型选择转变为较简单的变量选择.通过惩罚正则化方法,其邻域选择和参数估计可同步进行,然后提取纹理特征进行彩色纹理分类,实验显示其具有很好的效果.因此,结合主成分分析和高斯图模型来构建彩色纹理模型有很好的发展前景.