视觉语言模型引导的文本知识嵌入的小样本增量学习

真实场景往往面临数据稀缺和数据动态变化的问题,小样本增量学习的目的是利用少量数据推理数据知识并减缓模型对于旧知识的灾难性遗忘.已有的小样本增量学习的算法(CEC和FACT等)主要是利用视觉特征来调整特征编码器或者分类器,实现模型对于新数据的迁移和旧数据的抗遗忘.但是少量数据的视觉特征往往难以建模一个类别的完整特征分布,导致上述算法的泛化能力较弱.相比于视觉特征,图像类别描述的文本特征具有较好的泛化性和抗遗忘性.因此,在视觉语言模型的基础上,研究基于文本知识嵌入的小样本增量学习,通过在视觉特征中嵌入具有抗遗忘能力的文本特征,实现小样本增量学习中新旧类别数据的有效学习.具体而言,在基础学习阶段,利用视觉语言模型抽取图像的预训练视觉特征和类别的文本描述,并通过文本编码器实现预训练视觉特征到文本空间的映射.进一步利用视觉编码器融合学习到的文本特征和预训练视觉特征抽象具有高辨别能力的视觉特征.在增量学习阶段,提出类别空间引导的抗遗忘学习,利用旧数据的类别空间编码和新数据特征微调视觉编码器和文本编码器,实现新数据知识学习的同时复习旧知识.在4个数据集(CIFAR-100, CUB-200, Car...     

枯草芽孢杆菌PW2产挥发性物质对赭曲霉的抑制作用

采用固相微萃取-气相色谱-质谱联用技术对枯草芽孢杆菌（Bacillus subtilis）PW2菌株所产抗霉活性挥发性物质（volatile compound,VC）进行成分鉴定，选取所鉴定出的单个成分采用平板对扣法测定其对赭曲霉（Aspergillus ochraceus）的抑制率，以活性最强的VC作为关键抗霉挥发性物质（key antifungal volatile compound,KAVC），进一步研究KAVC对赭曲霉生长和产毒的作用效果及机理。结果表明：PW2菌株所产VC中鉴定出酯、醛、烷烃、醇、酮、酸、烯烃等41种成分，单个成分抗霉实验发现异辛醇对赭曲霉的抑制活性最强。在接触条件下异辛醇剂量为1 562.5μL/L时可以完全抑制赭曲霉生长，且使赭曲霉毒素A含量降低23.67%。在挥发条件下异辛醇剂量为112μL/L时可以完全抑制赭曲霉生长，281μL/L时可以完全杀死赭曲霉。经异辛醇处理后的赭曲霉孢子外观褶皱、凹陷和干瘪，且细胞膜完整性被破坏，菌丝麦角甾醇含量降低了42.68%～65.40%，胞内核酸和蛋白泄漏。说明异辛醇能够通过破坏赭曲霉细胞膜抑杀赭曲霉，可为其在食品防霉...