关键词： 初中语文   项目化学习   实践策略  

摘要： 在初中语文教学中实施项目化学习，可以使学生全身心沉浸于学习探究活动中，提升学习有效性。本文对项目化学习的程序进行简要阐述，并提出实施项目化学习的实践策略，即教师要注重创设教学情境，促进项目化学习的有效进行，以学习任务驱动学生的积极性；教师要发挥项目化学习模式的优势，优化学生的学习过程，丰富学生的知识结构；教师要注重项目化学习实践活动的开展，让学生学有所用，在实践中应用知识，提升学生的语文综合能力。

摘要： 随着新课改的推进，学习方法和教学策略也在逐步发生变化。探究式学习方法作为一种学习策略，以其独特的优势在教学过程中得到广泛的应用。特别是在高中地理教学中，探究式学习方法对提高学生的学习成效、提升地理科学研究能力以及培养学生的创新思维具有重要作用。本文以高中地理教学为背景，对探究式学习方法对学生学习成效的影响进行深入研究和探讨。一、探究式学习方法在高中地理教学中的应用（一）探究式学习方法的理论基础与实施策略探究式学习的理论基础源自建构主义学习理论，特别是皮亚杰的认知发展理论和维高斯基的社会文化论。探究式学习鼓励学生通过自我探索和探究来发现和理解知识，从而建立和拓展个人的认知结构。

关键词： 小样本学习   图神经网络   异常检测  

摘要： 小样本学习是一个在数据受限的条件下的机器学习问题,它在近年来受到了研究者们的广泛关注。与常见的深度学习的训练方法不同,小样本学习尝试让模型拥有从少量样本中提取有效信息,学习新概念的能力。小样本学习促使深度学习模型像人类一样,从少数样本中归纳总结,快速学习新的知识。本文分别研究了小样本增量未知类检测问题、经典小样本分类问题以及小样本类增量学习问题。这分别对应了:如何放宽传统小样本学习中,待测样本一定是未知类这一限制;如何解决传统的小样本分类问题;如何让小样本学习保持对已有知识的记忆。这三个问题统一在一个更加普遍适用的小样本学习场景下:针对一个待测样例,首先判断它是否是已知类,如果是已知类,则直接进行分类任务;如果是未知类,则进行小样本类增量学习,更新分类模型和未知类检测模型。本文的工作总结如下:1.本文研究了小样本增量未知类检测问题,提出了一种基于类中心维护的增量小样本未知类检测算法,放宽了小样本问题设置中待测样本一定是未知类的条件约束。该算法结合基于距离的拒绝策略以及基于图结构的拒绝策略,对一个样本是否是已知类别进行综合判断。本文设计的算法在进行增量学习的过程中,会不断利用少量带标签数据增加已知类的范围,并在这个过程中,保持对未知类的检测能力。在基准流量数据集和图片数据集上,本文提出的算法相较于基线算法(将开集识别方法拓展到小样本场景下的算法)取得了更优的性能。2.本文研究了经典小样本分类问题,提出了一种基于图结构的信息传播算法,解决了直推式小样本学习中信息传播不充分的问题,使模型的分类性能有显著的提升。该算法将小样本任务数据嵌入到图结构中进行迭代式的边更新和点更新来进行信息传播,收敛后再进行分类工作。实验结果显示本文提出的方法在三个小样本分类的基准数据集上表现第一。直推式学习对测试数据分布敏感,经典的问题设置中,测试样本都是均匀分布。为了研究不同测试数据分布下的直推式小样本学习的性能变动,本文讨论了不均衡分布对直推式小样本分类算法的影响,并设计了一种分布检测策略。实验结果证明,使用分布检测策略后,本文的算法在不同分布的小样本任务上的性能波动有明显减小。3.本文研究了小样本类增量问题,提出了一种特征变换方法,解决了小样本类增量学习中样本特征退化的问题,变换后的特征更符合最优分类器描述的特征分布特点,缓解了增量过程中的性能衰退。小样本类增量问题在增量过程中,新学习的类别的样本数量受到限制,无法对模型参数进行细致调整,这导致了新类别样例的特征的表征能力较差。本文的算法在进行分类前,利用已知类别数据学习一种良好的线性映射,之后将类中心和待测样本都映射至新的特征空间,改善特征分布情况。实验证明,在三个基准数据集上,本文提出的特征变换方法在增量学习过程中有较好的准确率,且整个过程的性能衰减也较低。进一步的实验验证了本文提出的特征变化方法可以使特征的表现更接近于理论最优值。

关键词： 声乐演唱   声乐理论  

摘要： 在声乐演唱的领域里,理论和实践是相辅相成、缺一不可的,不能任意割裂两者的辩证关系,孤立地强调一个方面。近几十年,声乐演唱艺术在我国经过不断的发展与演变,在众多老新辈声乐表演艺术家与教育家们的推动下,通过不同形式的声乐艺术实践,将这些实践成果进行了不同程度、不同方式的整理归纳之后,形成了不用形式的、较为系统的声乐理论。本文通过对石惟正《声乐学基础》、李晋玮、李晋瑗《沈湘声乐教学艺术》、田玉斌《名家谈艺》三本声乐理论书籍的探索为主,结合自身在声乐演唱与声乐教学的实践,来探究说明声乐理论对于声乐学习的重要指导意义。

关键词： 乳腺病理图像   良恶性分类   多阶段迁移   注意力机制   图卷积网络   对比学习  

摘要： 乳腺癌严重威胁着女性健康,早期诊断和治疗可以提高患者的生存率。常见的诊断方法包括影像分析和组织活检病理分析,前者包括磁共振成像、乳腺钼靶X线摄影检查等手段。相较于前者,组织活检病理分析作为诊断乳腺癌的“金标准”,可以为医生提供权威的诊断依据。传统的病理诊断通过人工阅片的方式,根据需求在不同倍率图像下进行分析,具有一定主观性和重复性。近年来,人工智能的快速发展为病理诊断提供了新的辅助途径,此方法能够帮助医生提升诊断精度,使诊断结果更科学、客观。其中以深度学习为代表的方法在病理图像良恶性分类领域已经取得了良好进展,但仍存在着一些问题,比较典型的包括:1)由于人工注释乳腺病理组织图像耗时费力,现实中小样本数据集较为常见,导致神经网络容易出现欠拟合和泛化能力低的问题;2)病理图像中的乳腺组织空间信息是病理医生诊断乳腺癌的重要依据之一,卷积神经网络难以充分感知空间信息;3)部分良性肿瘤和恶性肿瘤在病理图像上外观相似,特征差异较小,传统的深度神经网络对特征差异较小的良恶性病理图像区分能力不足。针对上述问题,本文以乳腺病理图像为研究对象,围绕深度学习方法开展良恶性分类研究,具体内容包括:(1)基于多阶段迁移和注意力机制的病理图像良恶性分类研究:针对上述问题1,本文以VGG19和Res Net34为基础,采取多阶段迁移的策略开展研究,分两阶段进行。第一阶段迁移中,根据自然图像和病理图像共享纹理特征等底层信息的特点,通过引入Image Net预训练参数的模型对大规模IDC乳腺病理图像数据集分类训练,使模型初步具备良好的病理特征提取性能。经过上述训练,在第二阶段迁移中,进一步微调模型提升其对小样本数据集的分类性能。在Breakhis数据集上验证,准确率达到了0.895。在VGG19和Res Net34的基础上,引入注意力机制,从图像的通道和空间层次筛选重要信息,提升模型分类性能。该模型在病理图像分类任务上获得了0.888的准确率。将上述两种方法结合,模型最优准确率进一步提升至0.914。(2)基于图卷积网络的病理图像良恶性分类研究:针对上述问题2,本文基于图卷积网络开展研究。通常的图构造方式复杂,本文利用卷积神经网络获取的特征图构造图结构,该结构可以充分的反映病理图像不同区域在空间上的关联性,能够提升模型对空间特征信息的感知能力。普通的图卷积网络卷积层数有限,提取深层次特征的性能较弱。因此利用交替更新机制思想,将卷积层构成一个循环反馈结构,任意两个卷积层之间都可以进行前向传播和后向连接。特征信息在任意层之间传递,通过反复叠加,使网络提取到更深层次的特征。结果表明,该模型的分类准确率达到了0.919。(3)基于对比学习的病理图像良恶性分类研究:针对上述问题3,本文采取对比学习方法开展研究。该方法采用孪生网络计算同一样本的不同增强视图的特征间相似度,能够感知样本间的特征差异。孪生网络学习的特征能很好的体现同类样本特性,进而区分不同类别样本。由于该网络提取细粒度特征的能力有所欠缺,故利用多尺度模块改进特征提取过程,从而获取更准确的细粒度特征。结果表明,基于对比学习的分类模型在乳腺病理图像良恶性分类上达到了0.933的准确率。本文以乳腺病理图像为研究对象,围绕深度学习开展良恶性分类研究。针对目前典型的小样本、空间信息利用不充分、特征差异度小的问题,分别提出了基于多阶段迁移、图卷积网络和对比学习的分类方法。研究结果表明,上述方法在乳腺病理图像良恶性分类中取得了良好的效果,具有积极的临床应用价值。

关键词： 间隔分布   多视图学习   多视图间隔分布模型   线性最小二乘   加权线性损失  

摘要： 与支持向量机(SVM)中最大化最小间隔的思想类似,间隔分布已经被证明对于提升泛化能力具有至关重要的作用。在最近的研究中,许多考虑间隔分布的方法相继被提出,表现出吸引人的优秀性能。但是这些方法通常都是基于单视图数据提出的,对于多视图数据容易导致维度灾难和统计信息缺失的问题。考虑到目前几乎没有对多视图间隔分布的研究,为了探索在多视图学习中间隔分布的优化问题,本文提出了一个新的多视图间隔分布模型,并提出了两个快速模型用以降低计算成本。具体内容如下:本文针对多视图数据的特点构建了多视图间隔均值和间隔方差,并提出了一种新的多视图间隔分布模型,即多视图大间隔分布机(MVLDM)。MVLDM将不同视图的权重、多视图间隔分布、视图内经验损失和视图间的一致性损失同时考虑在内,在一个统一的框架下联合优化。MVLDM从间隔分布的角度为多视图学习探索互补信息的利用方式上提供了新的思路,并同时满足一致性原则和互补性原则。在优化方面,本文通过拉格朗日对偶变换将MVLDM的原始问题转化为一个二次规划问题,并用交替乘子法加速计算过程。在理论分析方面,本文利用Rademacher复杂度理论分析了MVLDM的一致性误差界和泛化误差界,从理论上保障了MVLDM的泛化性能。在实验方面,本文结合多视图数据的特点构建了一个新的性能指标,即视图一致性率(VCR)。通过VCR和其它传统性能指标来评估MVLDM的有效性,实验结果表明MVLDM的性能优于其它的基准方法。在MVLDM的基础上,本文提出了一个通用的多视图大间隔分布框架(MVLDF)。为了降低计算成本,在MVLDF的基础上,本文提出了最小二乘多视图大间隔分布机(LS-MVLDM)和加权线性大间隔分布机(WL-MVLDM)。LS-MVLDM和WL-MVLDM分别应用平方损失函数和加权线性损失函数作为视图内的经验损失函数,并采用耦合损失函数作为视图间的一致性损失函数。LS-MVLDM和WL-MVLDM的原始问题通过拉格朗日对偶变换可转化为一个线性方程问题,在计算成本上大幅度降低。在真实数据集上的实验结果表明,这两个模型的性能优于其它的基准算法,也进一步验证了MVLDF的机制。

关键词： 微分同胚的图像配准   深度学习   医学图像   最优传输   Brenier势能  

摘要： 图像配准是医学图像处理中的一项关键技术,它能够使两幅图像的相应结构在空间位置上保持一致,为融合、重建等其他图像处理任务提供相同结构的图像数据。图像配准在辅助临床的诊断、放射性治疗、手术模拟与导航、组织与器官功能分析等医学领域发挥着重要的作用。 近年来,医学图像配准相关技术取得长足进步,但在配准的速度、精度与可解释性上仍然存在一些难点。传统的医学图像配准方式配准耗时较长;基于深度学习的配准网络可以兼顾配准的速度与精度,其中有监督的深度学习配准方法需要真实变形场作为真实值,但其获取代价是昂贵的;无监督深度学习方法解决了真实值难以获取的问题,无需真实标签即可展开训练,目前配准网络也多以无监督方式进行训练。但作为多层叠加的非线性复杂模型,深度神经网络的可解释性较差,难以在拓扑结构上保持微分同胚特性,这为深度学习的方法在现实生活中的应用带来了一定的阻碍。 为了更好地提升医学图像配准的可解释性,以及保证变换的微分同胚特性,本文根据最优传输理论设计网络及损失,开展了两方面的工作: (1)提出了一种基于最优传输的可学习微分同胚图像配准方法,构建BUNet网络,使用3D U-Net结构提取Kantorovich势能,经过差分块得到Brenier势能函数的梯度(变形场),进而得到配准后图像;同时提出了基于蒙日安培方程的微分同胚近似损失,增强了模型结果的可解释性; (2)提出了一种基于FFT-OT算法的可学习微分同胚图像配准方法,构建FTNet网络,使用多个结构相同的卷积网络块对FFT-OT算法的迭代过程进行模拟,实现对Brenier势能函数梯度的迭代求解,得到一个微分同胚变形场,提高了模型结构的可解释性。

关键词： 最优治疗方案   双重稳健性   逆概率加权   协变量平衡   一致匹配   双重惩罚  

摘要： 由于不同患者的临床治疗效果具有显著的异质性,制定基于患者特征的个性化的治疗方案至关重要。个性化治疗方案能够更好地满足患者的具体需求,提高治疗效果并降低不良反应的风险。随着全球人口老龄化、医疗成本上升以及患者层面数据获取的增加,迫切需要可应用于观测数据的高质量个性化治疗方案估计方法。这是一个极具潜力的研究方向,将为医学和统计学领域带来许多新的机遇和挑战。个性化治疗方案旨在最大化患者的整体临床效果,通常,首先需要估计给定治疗方案下的平均结果,即值函数。目前,大多数统计方法需要假设结果回归模型或倾向得分模型来估计值函数,如果模型假设不准确,得到的值函数估计是不相合的,从而导致最优治疗方案是不可靠的。因此,如何减少对模型的依赖是十分重要的。此外,当前最优治疗方案学习方法主要适用于二分类治疗方案,对于临床实践中常见的多分类治疗方案问题,相关研究工作还相对不足。随着数据收集能力的提升,我们往往会面对来自多个异质性数据集的数据。因此,我们需要开发新的方法来处理这些数据集的异质性。为了解决上述问题,我们分别针对模型误设、多分类治疗方案以及具有异质性数据的最优治疗方案估计问题提出了一系列稳健学习方法。具体包括如下三个部分:1.为了克服两类模型误设导致的估计偏差问题,我们给出了一种双重稳健的混合估计方法,该方法定义了对比值函数,提出了一个混合估计的一般框架来估计对比值函数。同时,我们运用逆概率加权方法和匹配方法,进一步提出了协变量平衡的稳健(Robust covariate-balance,RCB)估计。我们证明了RCB估计具有双重稳健性,并且收敛速度可以达到n-1/2。2.针对多分类治疗方案估计问题,我们提出了一种双重稳健的匹配学习方法(Augmented concordance-matched learning,ACML)。该方法结合匹配插补和回归的方法来估计值函数,同时,我们构造了一种新的替代损失函数,通过基于角的优化方法求解最优治疗方案。理论结果表明,该方法具有双重稳健性,且收敛速度可以达到n-1/2,同时,我们还证明了治疗方案的估计是Fisher一致的。3.针对高维且具有异质性的数据集,我们提出了双惩罚的稳健学习方法,该方法消除了每个亚组中与治疗方案无关的主效应,并通过惩罚同一协变量的任意两个亚组系数的成对差异来识别系数矩阵的同质性和异质性。惩罚稳健学习不仅消除了因主效应模型误设而造成的不可忽略的残差混淆,而且充分利用了不同数据集之间的关系信息。我们还进一步研究了该估计的Oracle性质。大量的模拟研究和实际数据分析均表明,本文提出的方法在构建最优治疗方案方面具有优越性。相比目前流行的方法,本文的方法能够更有效地提高治疗效果,并且具有更好的稳健性。

摘要： 《除法意义》的教学是人教版二年级数学下册第二单元的表内除法(一)的内容,《表内除法》是学生学习除法的开始,也是今后继续学习除法的基础。因此,让学生体会除法运算的含义,从具体编排来说,“除法的初步认识”分为两个层次:(1)以生活中常见的“每份同样多”的实例和活动情境,让学生通过对比建立“平均分”的概念。教材通过让学生参与平均分的活动,探索平均分的方法,认识平均分的两种不同情况:等分和包含。同时通过让学生操作、说一说、

关键词： 可见光红外跨模态行人再识别   特征提取优化   双粒度三元组损失   特征增强   傅里叶变换  

摘要： 可见光红外跨模态行人再识别(Visible-Thermal Cross-Modality Person ReIdentification,VT-ReID)任务旨在利用计算机视觉技术在部署位置不重叠的跨摄像头网络下寻找感兴趣的跨模态行人。目前,相关研究工作普遍通过基于样本的细粒度三元组损失来引导模型进行特征空间学习,对样本尤其是异常样本的对距离可能过于严格,会生成不利的三元组破坏其他样本的对距离,容易对特征学习产生不良影响。此外,前期研究工作主要通过空间域的数据增强设计增加样本的多样性,不够重视样本本身所包含的特征的增强,限制了有利于行人匹配的语义特征学习。基于上述VT-ReID任务在特征学习时的两点局限性,本文主要进行以下两方面研究:(1)针对基于样本的三元组损失引导特征空间学习时的局限性,引入基于中心的粗粒度三元组损失放松对样本的严格约束,提出了一个双粒度三元组损失(DualGranularity Triplet Loss,DGTL)模块,以实现VT-ReID任务的特征提取优化。所提出的DGTL模块以从细粒度到粗粒度的分级方式组织基于样本和基于中心的三元组损失,增强了所提取特征的类内紧凑性和类间区分性。实验表明,相比于现有的基于全局特征提取的VT-ReID方法,本部分所提DGTL方法取得了更好的结果,并且基线模型就可以取得较好的性能。(2)针对空间域的数据增强设计在增强特征提取时的局限性,从傅里叶域角度出发充分考虑高级语义信息,提出了一个基于傅里叶变换的语义增强(FourierBased Semantic Augmentation,FSA)模块,以实现VT-ReID任务的特征增强。所提出的FSA模块基于傅里叶域相位分量包含更多表征原始对象重要信息的思想,使得模型能够更加关注对行人匹配有帮助的语义信息的学习。实验表明,本部分所提FSA模块可以显著提升VT-ReID任务性能(在SYSU-MM01数据集全搜索模式下,Rank-1指标实现了3.75%的提升),并且可以无缝集成到不同的VT-ReID方法甚至其他计算机视觉任务方法中,增加模型的鲁棒性。本文从特征空间学习和增强特征提取两个方面开展VT-ReID任务的特征学习方法研究,所提DGTL方法和FSA方法初步解决了VT-ReID任务在进行特征学习时面临的问题,对VT-ReID任务性能的提升有一定效果。