关键词： 小学语文   学习情境   情境创设  

摘要： 文章在解析语文真实而富有意义的学习情境的内涵和特征后，系统论述了小学语文真实而富有意义的学习情境创设策略，指出教师可先确定教学目标，奠定情境创设基础，而后通过关联生活确定情境核心内容；通过全面分析学情确定情境创设方式；通过关注情境细节提升情境创设效果，旨在激发学生学习的热情，并使学生在情境的推动下达成学习目标，发展核心素养。

关键词： 图像中文描述   深度学习   Transformer   注意力机制  

摘要： 图像描述任务旨在将视觉信息转换为文字信息,生成准确反映图像内容的句子。图像内容的复杂性和自然语言的多样性都给图像描述研究增加了困难。目前图像描述领域的研究主要集中在英文语境,图像中文描述的研究相对较少,缺乏针对性的改进和优化。为了进一步提高图像中文描述的准确性,本文运用深度学习技术对图像中文描述方法进行了研究,论文主要工作如下: (1)针对图像描述任务中模型不能有效聚焦图像重要区域和细节,导致生成的描述偏离图像主题的问题,提出了基于局部特征和门控Transformer的图像中文描述模型。在编码阶段,使用Faster R-CNN提取图像的一组局部特征,接着通过门控Transformer编码器建立局部特征之间的相关性,并捕捉其中的关键信息。在解码阶段,门控Transformer解码器根据局部特征的重要程度生成更符合图像主题的中文描述文本。使用交叉熵损失和强化学习策略对模型进行两阶段的训练,实验结果表明,所提模型有效提高了中文描述文本生成的质量。 (2)针对图像描述任务中普通卷积神经网络提取图像语义特征不足的问题,提出了基于CLIP和二阶LSTM的图像中文描述模型。在编码阶段,对原始图像进行切片,更好地保留细节特征,并使用多模态预训练模型CLIP提取图像中丰富的语义信息。在解码阶段,提出的二阶LSTM网络不仅增强了模型对历史信息的整合能力,而且通过引入双层注意力机制,进一步优化了图像内容的解码过程。使用交叉熵损失和强化学习策略对模型进行两阶段的训练,实验结果表明,所提模型在各项指标上表现优异。

关键词： 作物长势参数   作物产量   深度学习   PROSAIL   WOFOST  

摘要： 农作物长势与产量监测对于保障国家粮食安全、指导农业生产、保障农业的可持续发展以及提升人民生活水平具有重要的战略意义。随着农业遥感监测技术以及人工智能在计算机领域的突破性进展,以深度学习模型为基础的作物长势监测和产量估算已全面发展并突显出其应用潜力。同时机理模型,如作物生长模型、辐射传输模型等是农作物长势监测与产量估算的重要方法,将机理模型与深度学习模型进行结合开展农作物长势参数与产量反演研究,整合了作物生长模型机理性强、时间上连续性优点以及深度学习模型能够从大量数据中获得更多数据特征、模型的鲁棒性更强、更加适应数据中的非线性关系优势,为准确、实时、高效地实现区域作物生长监测与估产提供新模式与新技术,为精准农业以及智慧农业的技术发展提供相关参考。 本研究在中国科学院战略性先导科技专项“黑土地保护与利用科技创新工程”子模式:“海伦示范区作物长势状况立体监测与产量估算（***28070503）”的资助下,依托中国科学院海伦农业生态实验站以及海伦市黑土研究示范区开展研究工作。利用“天-空-地”立体监测技术,对海伦市以及海伦市黑土地重点研究区域的主要农作物（大豆、玉米）在生长季节内长势状况进行连续监测,并对作物各指标进行定量评估分析。通过获取研究区内的无人机多光谱影像数据、卫星遥感影像数据,配合田间实验获取作物长势参数与产量实测数据,通过耦合机理模型与深度学习方法开展农作物长势参数与产量反演研究,本文主要研究内容和结果如下: （一）本文构建了农作物长势参数反演耦合模型,模型有效结合辐射传输模型和深度学习模型的优势,摆脱作物长势参数采样点个数不足等反演问题,高精度反演农作物关键长势参数（叶绿素、LAI）。以海伦市玉米和大豆为研究对象,基于卫星遥感数据、无人机遥感数据,以及农作物野外实测数据,评估了基于辐射传输模型PROSAIL与LSTM深度学习模型,BP神经网络模型,RF随机森林模型的耦合模型,以及单独使用PROSAIL模型,对农作物叶绿素和LAI进行反演研究。研究结果表明:无论是采用无人机遥感影像还是Sentinel-2卫星遥感影像,基于LSTM+PROSAIL模型估算玉米和大豆LAI和叶绿素的精度最佳。基于多光谱无人机影像田块尺度反演结果显示,玉米冠层叶绿素（Canopy Chlorophyll Content,CCC）反演精度R2为0.704,RMSE为34.58ug/cm2;大豆CCC反演精度R2为0.853,RMSE为37.79ug/cm2。基于遥感影像海伦区域尺度玉米LAI反演结果为R2为0.819,RMSE为0.65;大豆LAI反演结果R2为0.837,RMSE为0.619;其反演结果整体上都优于机器学习模型与PROSAIL的耦合模型以及PROSAIL模型。农作物长势参数耦合反演模型是基于物理模型的普适性和深度学习算法的灵活性,获得数据特征鲁棒性更强,更加适应数据中的非线性关系,以及擅长于处理时间序列的数据的优势。同时耦合模型摆脱了辐射传输机理模型适合于单点农作物作物生理参量反演的应用,实现了利用少量实地采样样本数据高精度反演大豆玉米多生育期叶绿素、LAI关键长势参数的目的,并进一步为农作物成熟度分析,产量估算提供数据与分析基础。 （二）基于作物CCC与影像植被指数结合成熟期作物籽粒含水量（Grain Moisture Content,GMC）建立具有理论一致性的作物GMC估算经验模型,以判断大豆与玉米成熟度情况。模型在无人机田块尺度上能解释大豆和玉米60%（R2在0.6以上）的成熟期农作物籽粒含水量变异情况,同时基于PROSAIL模型的参数敏感性分析,证明了反演玉米成熟期籽粒含水量最优的植被指数为NDRE,反演大豆成熟期籽粒含水量最优的植被指数为RENDVI。将该作物籽粒含水量估算经验模型推广到海伦市县域范围,基于实测玉米籽粒含水量验证值R2为0.685,基于实测大豆籽粒含水量验证值R2为0.540。相比于基于CCC反演农作物成熟期籽粒含水量方法,基于植被指数方法其模型可解释性稍低,但其减少了对田间数据收集的需求,更具实用性与可行性,以及对大面积农作物成熟度监测尤为重要,同时研究证明了光谱、CCC和GMC之间相对密切的关系,这对于基于无人机遥感以及卫星遥感技术的精准农业管理和作物动态长势监测以及提高粮食产量与品质具有重要意义。 （三）针对目前农作物产量定量评估模型泛化能力不足、预测时间滞后以及最优估产时间窗口难以确定等问题,本研究以Sentinel-2遥感数据、气象数据和实测农作物产量数据作为数据源,实现基于深度学习LSTM模型的县域像元尺度农作物时序估产模型建立以及最优估产时间窗口确定研究。通过对农作物整个生长时期的遥感观测,并根据作物不同物候期与时序影像植被指数进行的相关性分析,植被指数NDVIre、GC

关键词： 关系学习   样本关系   特征关系   图结构   图神经网络  

摘要： 一般的机器学习方法将每个样本视为一个独立的实体,模型的构建和模式的学习都是基于这些独立的样本展开的。但是现实世界的应用场景中,数据的价值不仅仅体现在其属性上,样本间还存在着无论是显式或潜在的复杂的关系。通过对关系的学习,可以更好地理解和利用数据中的结构信息,有助于提高模型的性能,从而在各种应用场景中实现更精准的预测和决策。图作为一种自然表达关系信息的方式,广泛地用来表示包括物理学、化学、生物学、语言学和社会科学在内的多种领域的数据的结构信息,许多现实世界的应用也可以转化为基于图的计算任务。对于这些任务而言,有效地学习图的表示是核心问题。在过去几十年中,如何处理图关系数据的方法已经得到了广泛的研究和显著的发展。然而,在许多实际应用中,数据的显式关系可能存在噪声和缺失,有时甚至完全没有显式关系。因此,越来越多的研究者开始关注如何挖掘和利用样本间的潜在关系,以动态地学习样本关系图结构。在样本图关系学习中,对样本间潜在关系的挖掘不仅能够丰富样本信息,提升数据价值,还能增强模型的预测能力和鲁棒性。然而,现有方法在面对学习样本关系图的过程中,面临三个主要挑战:首先,如何充分挖掘样本特征间的潜在关系信息;第二,如何在学习样本关系图的同时,有效地联动学习样本关系、特征关系以及模型参数;最后,如何克服在单一欧氏空间度量下学习样本关系图的局限性。针对这些挑战,本文进行了深入的研究和探索,提出了有效的解决方案,并完成了以下主要研究工作。 (1)提出关系感知特征选择算法(Relation Aware Feature Selection Method,ERASE),专注于解决在学习样本关系图的过程中,特征间潜在关系信息挖掘不足的问题。在研究过程中,借鉴特征选择领域中将潜在特征关系以树状结构进行高效组织的方法,从特征选择的角度探索了同时学习潜在样本关系图结构和特征关系树结构的可行性。该算法成功实现了在单一框架内同时学习样本间潜在的图结构和特征间的树结构,并提出了一种创新的基于关系的序列浮动选择机制,以充分利用从样本图和特征树中提取的关系信息,有效选择出高质量的特征子集。在多个领域的不同数据集上的实验和统计分析结果表明,与其它基线方法相比,同时进行样本图学习的ERASE在特征选择方面具有明显的优势。通过消融实验,进一步验证了学习得到的样本关系和特征关系有助于进行特征选择。这些实验结果强有力地证明了样本关系和特征关系的学习可以在一个统一的框架内同时进行,相互促进以提升学习效果,为本文后续研究奠定了坚实的基础。 (2)提出复合图神经网络算法(Composite Graph Neural Network,CGNN),该项工作专注于探究如何在学习样本关系图的过程中联动学习样本关系、特征关系、模型中的参数。CGNN的研究思路承接了ERASE中探索的潜在样本图结构和特征树结构学习思路,进一步提出了复合图结构,以便将样本间的关系和特征间的关系统一建模。与其它图神经网络方法相比,在复合图神经网络的学习框架中,它能够从多个角度对多个复合图进行学习,并且在每个复合图的学习过程中同时学习样本关系、特征关系、神经网络中的参数,以保证模型对特征噪声具有鲁棒性。实验结果证明,该算法在多个不同领域的基准数据集上均取得了优异的成绩,同时显示出了鲁棒性和可扩展性。 (3)提出联合空间图学习的图神经网络算法(Joint-Space Graph Learning Method for GNNs,JSGL),该项工作专注于探究如何克服在学习样本关系图的过程中,由于使用单一的欧氏空间度量而存在的局限性问题。研究过程中,首先分析了包括本文提出的ERASE和CGNN方法在内的众多方法在学习潜在样本关系图时,其默认使用单一欧氏空间度量而存在局限性的原因。然后,详细分析了这种局限性可能导致存在困惑节点的情况,并给出了关于困惑节点的具体定义。接下来,基于对困惑节点的研究,提出了一种能够在实际样本关系图学习过程中有效识别困惑节点的方法,并给出了相关的概率下界。最后,提出了一个端到端的潜在样本关系图学习框架,它不仅可以在欧几里得空间中学习图,还可以在双曲空间中精炼困惑节点周围的拓扑结构。与众多现有的基线方法相比,实验结果展现了该方法优异的性能优势。

关键词： 深度半监督学习   图像分类   一致性正则化方法   伪标签方法   缺陷检测  

摘要： 近年来,随着高速计算资源的广泛普及和可获得数据的快速增长,深度学习在计算机视觉等领域取得了显著的进展。基于完全监督的模型训练方式在各类计算机视觉任务中已经越来越成熟,所得到的模型能够接近甚至超越人类专家的辨识水平。然而,为了使这些模型系统在实际任务中被普遍应用并表现出优越的识别能力和鲁棒性,通常需要依赖于使用大量精确标注的训练数据。但是,构建这样的数据集往往需要花费高昂的人力资源与时间成本,这样的问题极大地限制了深度学习方法在实际场景中的应用。因此,探索如何在使用无标注或者少标注数据的情况下实现模型良好性能的学习方法成为计算机视觉领域亟待解决的问题之一。而半监督学习方法通过使用少量带标签数据和大量无标签数据来学习数据的表示方法及数据间的潜在联系,可以有效降低模型训练对于数据标注的依赖。因此,本文主要深入研究了与视觉分类任务相关的半监督学习方法,并主要应用于两种分类任务,分别是半监督图像分类任务和半监督缺陷检测任务。本文中对于半监督图像分类任务的研究方法互相关联并存在递进关系,并且其中关键的特征空间重整化策略也对缺陷检测任务起到积极作用。而半监督缺陷检测任务作为一种具有独特数据集设置的分类任务,其相关解决方法与问题与图像分类任务具有明显区别,但是所设计的方法也体现了图像分类任务中关键的一致性学习方法和伪标签思想。本文的主要研究内容与创新总结如下: (1)常用的半监督图像分类模型可以基于一致性正则化方法对无标签数据中进行学习,其核心思想在于约束模型在面对输入扰动或者模型扰动时可以保持输出结果的一致性。现有的一致性正则化方法在半监督分类方法框架中仍然有改进的空间。因此,提出使用特征空间重整化方法用来替代一致性正则化方法,以更好地从无标签数据中学习判别性特征。为了实现这一机制,模型包含了一个基本模型和一个经验模型。特征空间重整化方法以基于群表示理论的特征表示方法为基础,对基础特征和经验特征施加同构约束,即约束基本模型和经验模型的输出特征表示在特征空间中应该尽可能相近。此外,将特征空间重整化方法与伪标签方法结合使用,可以获得一种有效的半监督图像分类模型—FreMatch。FreMatch具有简单高效的优点,可以在多个半监督图像分类数据集上取得较好的性能,并且将特征空间重整化方法和其它半监督图像分类模型相结合都取得了分类性能的提升。 (2)伪标签方法是半监督图像分类方法中经常被使用的另一种重要方法,其核心挑战在于如何选择更多且高质量的伪标签数据进行学习。使用固定的置信度阈值或者使用阶段性的阈值调整方法没有考虑到模型的分类性能在不同类别间以及训练迭代过程中的动态变化情况,会在训练过程中产生数量过少或者质量较差的伪标签数据,从而导致模型对于无标签数据的学习陷入到认知偏差中。因此,提出基于高斯混合模型的动态伪标签估计方法,从提高伪标签数据数量和质量的角度增强对于无标签数据的学习。该方法假设模型对于某一类别的无标签数据的预测分数是从一个具有两种模式(即正样本和负样本)的高斯混合分布中采样得到,并且该假设可以推广到所有的无标签数据上。通过求解高斯混合模型,模型可以在每一轮训练迭代中为每个类别分配符合当前训练状态的动态阈值。此外,为了进一步提高对于无标签数据的学习效率,还提出一种基于特征相似性的一致性正则化方法,并且与动态伪标签估计方法相结合,可以得到一种高效的半监督图像分类模型—DYMatch。经过实验验证,DYMatch在多个半监督图像分类数据集上都可以获得较好的分类性能。在仅使用极少量带标签数据的情况下,DYMatch的分类性能也同样优秀。 为了解决FreMatch模型在使用极少量带标签数据时模型分类性能衰减严重的问题,本文结合动态伪标签估计方法提出一种针对特征空间重整化的动态经验特征计算方法。这一创新有效地改善了FreMatch模型在这种情况下的分类性能。 (3)半监督缺陷检测任务在训练过程中仅使用正常样本,但是要求可以对测试数据中的缺陷样本和正常样本进行区分,从本质上是一类具有特殊数据集设置的分类任务。常用的基于重构任务的半监督缺陷检测方法将缺陷的出现量化为过高的重构误差,而忽略了对于缺陷内容的语义表示学习。为了更好地对图像中的缺陷内容进行建模,并且有效地将缺陷内容与正常内容进行区分。首先,提出基于多尺度语义标志特征的缺陷特征表示方法,该方法利用多尺度语义标志特征来表征图像中具有不同语义概念的像素集合,并通过Transformer模型来捕获不同语义概念之间的联系。同时,本文将半监督图像分类任务中关键的一致性学习方法和伪标签思想运用在半监督缺陷检测任务中。首先,使用了特征空间重整化方法以引导和约束特征空间中模型对于语义标志特征的一致性学习过程。并且,为了更好地学习缺陷内容的特征表示,还提出基于Pro＿Cut Paste人工缺陷标签的缺

摘要： 一、概念网络构建，强化知识整合在英语学习中，学生往往只关注单一信息，忽略了问题的整体结构。将复杂问题分解为小问题并逐一解决，有助于学生从零散信息中找到多个切入点，避免“单点结构层次”的局限。这种分解过程不仅有助于理解问题表面含义，还能发现内部逻辑联系，为高级思维整合打下基础。

关键词： 数据流分类   类不平衡   概念漂移   主动学习  

摘要： 数据流分类研究在开放、动态环境中如何提供更可靠的数据驱动预测模型,关键在于从实时到达且不断变化的数据流中检测并适应概念漂移。为了从复杂多变的数据流中挖掘出有价值的信息,迫切需要研究面向数据流的高效学习方法来实时捕获数据流中变化的簇结构。目前多数方法为了检测概念漂移和更新分类模型,通常假设所有样本的标签都是已知的,这一假设在真实场景下是不现实的。此外在已有的二类数据流主动学习方法中,往往忽略了初始训练集的类不平衡以及在线学习阶段类不平衡比率变化的问题。相对于二类数据流而言,面向多类数据流的主动学习方法更加复杂。已有的多类数据流主动学习方法在进行标签查询时,样本预测确定性度量忽略了最大概率值以外的类别预测信息,以及忽略了预测概率的序关系。本文针对上述方法中遇到的问题进行了系统的研究,具体研究工作如下: (1)针对二类数据流中的概念漂移检测误报率高、类不平衡比率变化和标记成本昂贵等问题,提出了二类非平衡概念漂移数据流主动学习方法。该方法首先提出一种初始集成分类器训练机制,提高了初始集成分类器对少数类的泛化性能;提出一种自适应混合标签查询策略,将概念漂移的检测结果反馈给标签查询模块,使得新建集成分类器能够更快地适应概念漂移;提出了基于四叉树的概念漂移检测机制,通过统计样本被映射到四叉树的占用情况来检测概念漂移,有效地降低了概念漂移检测的误报率;定义了四叉树的最大高度,从而降低了算法的空间复杂度。 (2)针对多类数据流中的标签查询、类不平衡比率变化和分类模型更新等问题,提出了多类非平衡概念漂移数据流主动学习方法。该方法定义了基于多类别预测概率的样本确定性度量,使得标签查询策略适用于类别数较多的数据流;提出了基于记忆强度的样本替换策略,将难区分、少数类样本和代表当前数据分布的样本保存在记忆窗口中,提升了新基分类器的分类性能;定义了基于分类精度的基分类器重要性评价及更新方法,实现了漂移后的集成分类器更新。 (3)开发了一个面向非平衡概念漂移数据流的主动学习系统。系统实现了生成数据流、类不平衡分析、概念漂移检测、主动学习、算法结果分析、检测记录管理以及用户信息管理等功能。

关键词： 斗地主计算机博弈   深度神经网络   完美信息蒸馏技术   蒙特卡洛树搜索   获胜距离  

摘要： 计算机博弈也称机器博弈,是人工智能的标准研究平台之一。它以计算机为工具,以人们喜闻乐见的游戏为研究载体,模拟智能、模仿智能、研究智能。斗地主计算机博弈作为非完美信息博弈的代表,因其在国内拥有庞大的玩家群体和高度复杂性而备受瞩目。游戏中的隐藏信息、分阶段决策、动作状态空间巨大以及竞争与合作并存等特点,为相关研究带来了巨大挑战。 论文以斗地主计算机博弈为研究对象,针对斗地主博弈叫牌阶段策略难制定和出牌阶段局面难评估、出牌行为难优化等突出问题,分别提出采用完美信息蒸馏技术的叫牌方法和改进的PIMCTS算法予以解决的方案。其具体措施包括:(1)在叫牌阶段,引入积分反馈奖惩机制,优化叫牌方法;(2)出牌阶段,为提升搜索效率,对博弈树结构进行了有效优化。然后,搭建博弈系统、开发斗地主AI,具体工作内容如下: ⑴建立了融合完美信息蒸馏技术的斗地主计算机博弈叫牌方法。具体来说,首先分析了叫牌阶段所面临的复杂性,通过对手牌进行拆分,并基于不同牌型组合,构建手牌特征矩阵,以此作为网络模型输入;然后,结合ResNet与LSTM架构,构建叫牌预测模型;最后,借助完美信息蒸馏技术,优化叫牌决策过程,即将全局视角下的理想叫牌策略,引导实际叫牌策略学习,从而提炼出最终适用的叫牌策略方案。 ⑵建立了完美信息蒸馏技术与MCTS结合的出牌方法(本文命名为PIMCTS)。针对出牌阶段AI对博弈状态评估不准确,导致出牌决策欠佳的问题,在完美训练-非完美执行框架基础上,重构蒙特卡洛树,结合深度神经网络,输出博弈策略。准确来讲,就是将玩家手牌组合、历史信息以及当前博弈状态作为神经网络输入。提出了“获胜距离”概念,以此重构奖励函数,以提高博弈树搜索效率和优化出牌策略的质量。 ⑶开发了斗地主计算机博弈系统与斗地主AI。基于竞技世界的斗地主博弈平台,对系统进行系统分析,完成系统整体功能设计、AI开发,其测试效果证明了有效性。