摘要： 不久前，一段小学生在各种电子设备的辅助下写作业的视频在网络广泛流传，自动削笔器、橡皮末收集器、试卷打印机、智能机器人、家教灯、翻译笔轮番上阵，遇到不会的题、不会写的字就问学习机，不认识的单词就用词典笔扫，还可以用手表拍照上传错题求解。信息化时代，教育产品的品类越来越多，一些智能学习设备逐渐走进学生的学习和生活。张欣的儿子彭彭今年读小学三年级，由于工作繁忙，张欣只得请母亲帮她带孩子。

关键词： 学习倦怠   生命意义感   心理韧性   高中生  

摘要： 目前高中生学习倦怠现象普遍,对学生的学习状态产生影响,导致不能以最佳的水平去完成学业,这不仅会影响他们对未来的规划,而且还会让学生产生不良情绪,影响学生的心理健康状态。学习倦怠长期以来都是各界学者关注的重点主题。过往研究显示生命意义感和心理韧性是影响学习倦怠的重要因素,但对三者的研究仅仅停留在两两关系上,较少考察三者的发展趋势和彼此关系。因此,本研究以贵州省铜仁市一所中学的高中生为研究对象,使用生命意义感量表、青少年心理韧性量表和青少年学习倦怠量表进行纵向追踪。首先对703名被试(其中女生371名)进行问卷调查,初步探讨高中生生命意义感、心理韧性和学习倦怠之间的相关关系,为验证心理韧性在生命意义感与学习倦怠间的纵向中介作用提供依据。其次进行纵向追踪,对366名被试(其中女生202名)进行为期10个月共3次的追踪测试,从而检验高中生生命意义感、心理韧性和学习倦怠的发展趋势以及心理韧性的纵向中介作用。通过对变量的相关研究,结果表明:(1)生命意义感、心理韧性与学习倦怠在年级和学生干部情况上有显著差异;(2)生命意义感和心理韧性与学习倦怠有显著的负相关,且生命意义感与心理韧性有显著的正相关;(3)心理韧性在生命意义感和学习倦怠间存在部分中介效应。此外,纵向追踪结果显示:(1)高中生心理韧性水平呈上升发展趋势,学习倦怠现象呈下降趋势,生命意义感的斜率可以显著预测心理韧性的斜率;(2)心理韧性的初始水平在生命意义感和学习倦怠的初始水平间起纵向中介作用。

关键词： 二手房   网络爬虫   网格搜索   CatBoost算法   SHAP  

摘要： 房地产行业作为我国经济建设的中坚力量,为人民生活幸福、国家发展稳步打下了坚实的基础。银保监会多次明确指出,要坚持房子“只住不炒”的定位,持续推进稳定房价、稳定预期的交易机制。随着各地一手房源开发受限,房地产行业由增量市场转型为存量市场,意味着房产交易市场流动着更多的二手房。目前,多个城市已出台有关二手房参考价机制政策,其目的在于规范房产交易市场,净化房产线上买卖渠道。该政策依托大数据及人工智能,为各大城市提供了精准有效的二手房参考价,为住宅买卖双方提供了更为透明化、合理化的交易价格。烟台市作为山东省沿海要地,近年来经济发展稳步增长,打造了一批具有竞争力的新兴产业集群。随着烟台市“12335”大城区建设格局的推进,未来势必会吸引众多外来人口在此安居,但目前烟台市暂未出台相关二手房参考价机制平台,因此研究烟台市二手房房价影响因素和趋势会进一步洞悉二手房发展走向以及合理监管二手房市场,为烟台市政府未来制定相关政策提供参考性价值。本文借助烟台市房产交易网站数据,从微观角度入手,建立集多类信息的烟台市二手房价格影响特征库,通过模型对比分析得到了能够有效评估烟台市二手房房价的机器学习模型。研究的整体结构主要有四个方面:数据的获取和预处理、特征选择、模型的构建、对比实验论证。形成的主要成果和结论如下:(一)借助网络爬虫,选择烟台链家二手房交易网站、烟台安居客网站以及高德地图API采集了包含住宅本身硬件条件信息、住宅所在区域的环境信息以及住宅周边基础设施信息的25892条烟台市二手房数据。通过对数据的可视化分析和探索性研究,完成了对数据集的清洗和整理工作,最终得到了24421条完整的烟台市二手房数据。(二)烟台市二手房数据集包含43个特征变量,其中17个数值型变量、26个类别型变量。为了高效适应算法的训练,对26个类别型变量进行了不同方式的量化编码,并选择Cat Boost嵌入式对数据集进行特征筛选,得到最佳建模特征子集。(三)构建基于机器学习的烟台市二手房价格预测模型,以Cat Boost算法作为主要参考模型,介绍了其可行性及算法原理,并采用Grid Search CV方法优化Cat Boost,在此基础上添加SHAP值可视化分析,从特征贡献值的角度加强模型可解释性。并另外构建四类常用房产估价模型,分别为决策树、K近邻、Ada Boost、随机森林,以此验证模型有效性。(四)采用五折交叉验证方式对烟台市二手房数据集划分训练集及验证集,在训练集上分别训练Cat Boost、决策树、K近邻、Ada Boost、随机森林五类机器学习模型,并加入改进后的Cat Boost。选取相应评价指标,根据训练结果对模型结果进行对比测试。研究结果表明,优化后的Cat Boost模型具有相对最高的拟合优度和相对最小的预测误差,其决定系数为0.967、平均绝对误差为126.17、均方根误差为297.19、平均相对误差百分比为10.2%。并且通过SHAP值分析得出区域、商圈是影响二手房交易价格的较为重要的因素。通过以上研究最终得到了能够有效预测烟台市二手房价格的机器学习模型,进一步丰富了房价评估的算法库,为烟台市未来制定二手房参考价政策提供了可行性分析。后续可在此基础上提供长期时效性数据,得到更加稳定的房价评估模型。

关键词： 软件漏洞   命名实体识别   少样本学习   半监督学习   数据增强  

摘要： 近年来随着计算机系统在各种应用领域的快速发展,软件漏洞也越来越成为技术人员关心的问题。为辅助技术人员理解并修复漏洞,可构建漏洞知识图谱。而构建漏洞知识图谱的首要任务即为漏洞命名实体识别,即从漏洞描述文本中抽取出漏洞实体。当前漏洞命名实体领域的研究较少,缺少大规模有标注的样本,因此漏洞命名实体识别任务需要在少样本的条件下进行。 少样本条件下的漏洞命名实体识别主要存在以下问题,首先是数据集的缺乏,目前并没有软件漏洞方面的数据集,需要手动构建;其次是该领域缺少成熟的方法,目前通用领域的命名实体识别任务数据集较为丰富,因此少样本实体识别研究主要集中在特定领域,例如医疗、生物科学领域等,还没有针对软件漏洞领域的研究。而特定领域的方法迁移到漏洞领域较为困难,难以保证效果。为解决样本过少带来的问题,本文分别从半监督学习和数据增强的角度出发设计了两种少样本漏洞命名实体识别方法,并尝试将半监督学习和数据增强组合起来以利用其各自的优势提高少样本条件下漏洞命名实体识别的准确率。 首先,本课题提出了基于半监督学习的少样本漏洞命名实体识别方法PLAF,并提出一种面向半监督学习的伪标签筛选策略。具体地,首先利用少量人工标注的数据训练一个基础模型。然后,使用基础模型对训练集中的无标签样本生成伪标签,并通过伪标签筛选策略提高生成的伪标签的质量。最后,基于混合高质量伪标签和人工标签的大规模数据集训练模型。实验表明该方法有助于提升模型在少样本条件下的性能表现。 其次,本课题提出了一种基于短语语法树的数据增强方法Tree DA,以实现少样本漏洞命名实体识别。首先对漏洞描述文本进行句法分析,构建文本的短语语法树并为单词挂接标签。其次,设计了多种子树交换规则以生成更多带有标签的短语语法树,并基于这些短语语法树构建带标签的新漏洞文本。最后,通过实验对比了不同子树交换规则在漏洞命名实体识别任务中的性能表现。 最后,本文将上述两种方法结合并提出了基于半监督学习和数据增强的少样本漏洞命名实体识别方法,该方法在半监督方法的流程中融入了数据增强,并使用伪标签模型对增强的数据进行了综合评判。实验证明,该方法在较少数据下比基准方法的F1值提升了12.72%。

关键词： 深度学习   小样本目标检测   水果检测   机器视觉   数据增广  

摘要： 水果产业是我国农业的重要组成部分。近年来,随着电子信息和计算机技术的发展,水果自动化采摘已经成为研究热点之一,而树上果实的高效检测是实现自动化采摘的核心技术。传统数字图像处理的检测方法存在手工设计特征复杂、适应性和泛化能力差等缺点。基于深度学习的目标检测在性能上取得了很大提升,但深度学习作为一种数据驱动的方法,在实际应用中需要大量训练数据。水果种植通常具有地域性和季节性,果实图像采集在时间和空间上都需要满足一定的条件。此外,果树的种植环境较为复杂,获取样本充足的图像数据并进行标注需要高昂的成本。因此,在仅有少量样本的前提下,实现树上果实目标的准确检测成为了一个亟待解决的问题。本文针对水果自动化采摘的现实需求,围绕自然场景下树上果实小样本目标检测展开研究,主要工作如下:(1)提出了一种面向小样本目标检测的数据增广方法。本方法结合了传统数据增强、DC-GAN图像生成和Mosaic数据增强。首先使用生成对抗网络生成全新的目标样本,然后利用图像拼接来合成包含背景信息的高分辨率图像,再结合传统的数据增强方法和Mosaic数据增强对合成图像和真实图像进行进一步的数据增广得到最终的扩充样本。本方法从小样本问题存在的根源出发,通过扩充样本来提高网络的检测性能。在自然场景的百香果、苹果和柑橘小样本目标检测任务中,与不使用数据增广方法相比,本方法使检测的平均精度(AP)分别提升了2.66%、6.83%和5.14%,且本方法适用于不同的检测网络。(2)提出了一种适用于自然场景下树上果实目标检测的小样本学习方法。本方法基于迁移学习策略,针对小样本目标检测网络中不同子模块的耦合度过高导致子模块优化的非最优解、分类任务和定位任务相互影响、新类特征学习不充分等问题,通过引入梯度解耦结构、对比编码分类模块,以及优化训练策略和使用原型校准模块对类别分数进行校准等手段,对网络进行改进。实验结果表明,在包含百香果、苹果和柑橘的水果数据集中,本方法能提高小样本条件下树上果实的检测性能,且优于当前主流的小样本目标检测方法,在公开数据集PASCAL VOC中,本方法也具备良好的泛化能力,可以有效提高检测精确率。

关键词： 煤矸石识别   语义分割   目标检测   注意力机制   特征冗余  

摘要： 煤炭是国家的重要能源之一,国家一直以来不断加强对能源的开采挖掘领域的探索。近年来,国家针对煤炭行业颁布了新的政策,大力倡导煤炭的清洁使用的同时做好“碳达峰、碳中和”工作。实现煤矸石的绿色开采,离不开煤炭的分选工作,传统的分选技术主要分为干选法和湿选法两大类,主要的弊端在于生产的智能化程度不高且成本过大,造成资源的浪费。随着人工智能的不断发展,煤炭分选技术朝着智能化的方向迈进成为必然的趋势,论文提出用深度学习的方法解决煤矸石分选智能化问题,研究内容分为以下几点: (1)由于煤矸石数据集属于非公开数据集数量有限,需要对其进行扩充。传统的平移、旋转等图像增强算法,只是使煤矸石的数量增加并没有改变煤矸石形状的多样性,无法适应结构较深的网络。采用改进的ConsinGAN网络丰富煤矸石的多样性,并用相关的指标衡量生成图像与真实图像的差异进行对比实验。结果表明,改进的ConsinGAN网络可以生成更加多样的煤矸石图片,使煤矸石特征多样化。 (2)皮带中传输的煤矸石大多存在堆叠、粘连的现象,为了准确获取煤矸石的形状位置信息,提出MAS-Unet分割网络,在特征提取部分加入多条空洞率的深度卷积支路模块(Multi-Rate Dilated Convolution Block,MDCB),减少部分计算量的同时增加信息提取的能力,同时为了减少经过跳跃连接后特征信息损失,在MAS-Unet中将跳跃连接替换为ASPP模块,融合编码器的不同特征获得多种尺度的信息,并且在解码器部分加入SEC模块,给与每个通道不同的关注程度,从而重点关注煤矸石信息,忽略掉无关信息。实验部分验证了 MAS-Unet在煤矸石堆叠、粘连情况下均能准确进行分割,达到95.08%的准确率,在不同光照下,MAS-Unet具有一定的鲁棒性,可以适应不同的光照条件。 (3)为了更加精准实时的对煤矸石进行检测,对YOLOv5网络进行改进,用Ghost卷积代替原来的普通卷积对特征进行去冗余处理,减少、重复的计算。煤矸石轮廓等关键信息是网络学习的重点需赋予较高的权重,在Backbone和Neck中采用CBAM注意力机制关注不同尺度的空间和位置信息,提高煤矸石的识别率,并且预测头中加入针对煤矸石小颗粒的识别层,尽可能多的检测到所有目标。最后,将改进的YOLOv5与MAS-Unet网络结合,使得融合后网络不仅可以检测到目标同时的到煤矸石的形状等信息。实验部分通过消融实验和对比实验对改进的YOLOv5网络性能进行验证,改进后网络的精度比原模型提高3.8%,模型大小降低了 37.5%,单张煤矸石图片训练时间缩短了7ms以及融合后的网络对煤矸石样本进行检测有较高的检测结果。

关键词： 疾病预测   生物标志物   多组学   深度学习   超图  

摘要： 近年来,随着高通量测序技术的不断发展和人工智能技术在各个领域的成功应用,生物领域的深度学习研究也变得流行,基于深度学习的多组学集成分析方法不仅能够为人类疾病研究贡献更全面的视角,而且在智慧医疗背景下具备强大的应用价值。然而,现有的疾病预测框架忽略了组学内特征间的潜在关联以及组学间的层次调控特性,在面对质量不稳定的多组学数据时,框架的可用性和泛化性面临巨大的挑战。因此,本文结合超图理念和证据理论来充分利用多组学数据信息,提出了一个高可信的多组学集成疾病预测框架,并基于该框架深入探索了疾病相关生物标志物。主要研究工作如下: 首先,本文基于余弦-Hellinger距离对组学数据进行超图结构表征,加强信息表征能力并进一步发掘组学特征间的潜藏关联。在组学超图结构基础上搭建了超图卷积神经网络进行特征提取,并提出了一个超边剪切模块来改进多层网络下训练过程中容易出现的过拟合问题。另外,针对后期融合范式中仅基于单组学进行特征提取而忽略了不同组学间特征关联事实的缺陷,提出了一种基于多模态自动编码器和超图的跨组学特征提取方法,跨组学特征在多组学集成模块中将作为一种额外的组学视角来提升不同组学间的特征关联分析能力。 然后,本文从证据层面出发,提出了基于狄利克雷分布和D-S证据理论的高可信多组学集成疾病分类预测方法。该方法通过引入狄利克雷分布对组学特征的不确定性进行估计,设计了符合组学特性的冲突度量因子,并基于D-S证据集成理论进行组学信息的可信集成和疾病预测,从而解决多组学异质特性导致的模型受限问题,提升了多组学疾病预测框架的可用性、稳定性和应用价值。不同数据集上的多组对照实验和消融实验证明了本文框架的卓越性能以及各模块的必要性,并通过包裹式方法深度探寻了具备生物学意义的疾病关联生物标志物。 最后,对本文提出的可信多组学集成疾病预测框架进行优缺点的归纳总结,并对该领域未来的发展方向进行了分析展望。

关键词： 网络画板   少数民族学生   参数几何意义  

摘要： 数学是基础教育中的一门重要学科,可对新疆喀什市少数民族教育来说,数学也成了学生学习过程中一块难啃的硬骨头,数学被公认为是新疆少数民族学生的“软肋”。少数民族地区教育质量不高尤其表现在数学学科教学方面,除了教育资源配置不均衡外,主要的原因来自教学情境远离本地学生的生活实际与信息技术在教育教学中的应用的缺失,本论文注重通过对喀什市某高中维吾尔族学生为例展开的调查。可见,应加强维吾尔族数学教育活动中数学文化的研究和开发,并联系维吾尔族学生的实际生活和接受能力范畴,从而提高喀什市少数民族地区数学教育的整体质量与水平。新课改《普通高中数学课程标准(2017版2020年修订)》背景下对教师将信息技术应用于课堂教学提出了更高的要求。在常用的数学软件中,网络画板不用安装、使用免费等优势的前提下生动形象的把图形的形成过程正确无误的演示出来,并且可以把事先制作好的PPT课件资源穿插进去实现资源的交互使用从而可以提高学生对课堂的感兴趣度和参与率,进而提升高中数学课堂教学质量。如何运用网络画板提高课堂效率,解决高中数学中的高考热点之参数几何意义问题成为本文的重点。本文以人教版A版选修4-4中数学中第二讲参数方程中的参数的几何意义问题,利用网络画板分析解题思路,使学生将静态的参数几何意义问题转化为动态的问题,帮助学生更加直观和形象地理解参数几何意义等相关知识,提高课堂的趣味性,引起学生的学习兴趣而提高教学效率。本次教学实验的研究目的在于为我们少数民族地区的高中数学教师在课堂教学中使用网络画板辅助教学的实地几何教学提供合理性相关数据支撑。对本次的实验数据的分析发现,在少数民族地区对高二年级少数民族学生通过网络画板辅助教学可以有效提升学生学习积极性、课堂参与率,对学生的几何图像的识别、动态演示以后知识点的理解力、学生动手作图能力的培养、解题时数形结合思想的应用上有很大影响和帮助。通过对本次教学实验研究数据的进一步分析发现本次研究的不足之处和局限性也很多。比如由于个人能力的有限性选择的样本数量不多,实施研究的时限不长,取样仅限于本校师生等等。但还是相信本次研究仍然能为少数民族地区高中数学教师对少数民族学生高中数学网络画板辅助教学及网络画板辅助教学后期教学实验研究提供相应的研究思路和帮助。

关键词： 数据高效   深度学习   医学图像分割   半监督学习   多模态学习  

摘要： 医学图像在疾病诊疗过程中扮演着极其重要的角色。对医学图像的分割能够对解剖结构或者病变组织进行定量分析,从而促进诊疗过程精准化。医学图像分割任务通常需要有经验的临床专家参与,对图像进行逐个切片的人工分析,该过程由于医学图像例如CT或者MRI等通常包含数十至数百张切片,从而对临床医生的人力有较高需求,此外由于分析医学图像需要良好的医学专业知识,并且存在主观性判断问题,因此对医学图像的观测还存在观察者差异问题,由此对自动化医学图像分割算法的需求逐渐旺盛。近年来,以数据驱动为基础的深度学习模型在医学图像分割领域取得显著进展。然而,由于模型训练对数据的需求较大,深度学习方法在医学图像分割领域的发展受到显著制约。一方面,获取大规模人工标注数据对于医学图像而言成本极高,另一方面,隐私等原因使医学图像数据难以收集。面对当前深度学习在医学图像分割领域遇到的瓶颈,本文从半监督学习和多模态学习角度出发,针对解剖结构、病变区、微小病变区三类对象,开展面向医学图像分割的数据高效深度学习方法研究,以促进无标注数据、多模态数据的高效利用。本文主要研究贡献如下: 1.针对心脏解剖结构MRI图像分割问题,提出了基于空间一致性约束的半监督学习方法,扩展了深度学习分割模型训练数据规模,有效地降低了分割模型对标注数据的需求。基于解剖结构在例如旋转、平移、缩放等仿射变换情况下,对应结构的语义具有不变性,即像素语义在空间变换下具有一致性,该方法鼓励模型对图像仿射变换的结果输出相同的语义分割结果,从而使将无标注数据蕴含的特征信息向模型传递,最终以空间一致性约束半监督学习的方式实现了数据高效的心脏MRI分割方法。 2.针对COVID-19病变区分割问题,提出了多模型下的自集成协同训练的半监督学习方法,实现了基于有限标注CT样本与大量无标注CT样本的COVID-19病变区精准分割。在该工作中,两个独立训练的模型被用来构造两个独立的特征空间视角,以对病变区目标生成不同的视图,丰富了边界模糊、形态多变的病变区的特征信息量。基于该协同训练框架,相同的无标注样本在两个视图下的预测结果可交替作用于两个模型,以实现利用无标注数据的目的。此外,为了提升无标注数据在协同训练过程中的预测质量稳定性,我们提出了自集成一致性约束策略,鼓励无标注数据预测结果与时序集成的预测结果相一致,进一步提升了协同训练框架的半监督学习性能。通过自集成协同训练方法,该工作实现了以半监督学习为基础的数据高效的COVID-19病变区分割。 3.针对颅内动脉瘤这种微小病变区分割问题,提出了一种样本权重感知策略,实现了高效利用无标注数据进行模型训练的目的。该方法旨在利用微小结构难以识别、颅内动脉瘤形态差异等情况下,模型在训练过程中对不同样本的预测质量存在差异的特性。本文针对多变微小病变区构建了预测结果质量评估模块,能够在训练过程中自动地对无标注数据预测结果进行评估,并利用该评估分数对样本进行加权,约束其对于损失函数的贡献,从而避免较差预测结果对模型训练的影响,从而以样本权重感知的半监督学习方式实现了数据高效的颅内动脉瘤分割。 4.颅内动脉瘤在CTA图像中的识别敏感度相对较低,为了提升深度学习模型在颅内动脉瘤分割任务上的性能,并且充分利用稀缺的临床数据,本文提出了一种基于局部上下文对齐的非配对多模态分割方法,该方法借助DSA对颅内动脉瘤有较高成像质量的特性辅助CTA进行分割,扩展了分割模型可用的数据范围,提升了基于CTA的颅内动脉瘤分割性能。为了提升非配对多模态图像特征信息融合,本文提出了多模态上下文对比学习策略,对非配对多模态的特征进行语义对齐,以非配对多模态学习的方式实现了数据高效的颅内动脉瘤分割。

关键词： 深度卷积神经网络   半监督学习   度量学习   细粒度图像分类   正则化  

摘要： 细粒度图像分类是指对某一粗粒度基类的细粒度子类进行识别。细粒度图像分类的应用场景包括车辆精细识别、飞行器精细识别、花朵或植物的精细识别、垂直搜索、动物保护中鸟或狗的精细识别等。深度卷积神经网络已在细粒度图像分类等多个计算机视觉应用领域中都取得了目前最好的性能。深度卷积神经网络能取得这些巨大成就的主要有两个原因:一是增加网络模型复杂度,但是这将会大大增加计算量,会给计算设备带来巨大的计算负担,同时规模过大的神经网络不仅难以训练,也会导致过拟合;二是大规模带有标注的训练样本集的出现,但是在具体实际应用中,创建一个大规模、高质量、有标注的训练样本集是非常耗时、昂贵,而且往往还需要相关专业知识,对于细粒度图像尤其如此。然而,通过网页爬虫或搜索引擎,可以快速地从互联网上获得大量无标注样本。因此,研究面向细粒度图像分类的半监督深度学习方法具有重要的实际意义和广阔的应用前景。本文所进行的研究工作主要包含以下几个方面:(1)针对增加网络模型复杂度会增加计算量且容易过拟合的问题,提出基于特征均值矩阵的目标函数用以优化网络模型。基于特征均值矩阵的目标函数能够在不增加网络模型复杂度的前提下显著提升网络性能。具体地,基于网络模型所提取到图像特征向量构建特征均值矩阵,将特征均值矩阵中的列向量看作是不同类的类中心向量。然后根据特征均值矩阵设计深度判别特征学习正则项,该正则项的作用是使得图像特征向量与其对应的类中心向量之间的距离尽可能地小,使得不同类的类中心向量之间的距离尽可能地大,从而使得网络所学习到的特征向量具有较好的类内紧凑性和类间分离性。(2)在特征均值矩阵的基础上,根据细粒度图像数据集的类标签层级结构,提出细粒度图像的深度判别特征学习方法。给定一个深度卷积神经网络和一个具有类标签层级结构的细粒度图像分类数据集,首先为了更好地建模类标签层级结构关系,提出利用若干个新的全连接层组替换原网络的分类输出层,每一个全连接层组对应一个类标签层级,并将所提出的多级Softmax损失函数施加于这些新层上进行模型训练。其次,为了充分利用类标签层级结构关系和细粒度类标签之间的相似性关系信息来监督网络训练过程,提出利用类标签层级结构和多级特征均值矩阵构建深度判别特征学习正则项。(3)针对构建大规模有标注数据集成本高的问题,提出集群度直推式半监督学习方法。半监督深度学习的目标是利用小量有标注和大量无标注样本训练出高精度的网络模型,使其能够逼近甚至等同于监督学习方法所能达到的模型精度,从而能够大大降低训练数据的标注成本。直推式半监督学习的思想是将无标注训练样本的类标签视为需要学习优化的变量,它们在训练过程中与模型参数一起迭代地被更新和优化,直到模型收敛。(4)结合上面的基于特征均值矩阵的目标函数、细粒度图像的深度判别特征学习方法、集群度直推式半监督学习方法,提出了面向细粒度图像分类的半监督深度学习方法框架,将直推式半监督学习原理拓展并应用到了面向细粒度图像分类任务的深度网络训练中,综合实验评估,充分验证了所提方法在半监督细粒度图像分类任务上的有效性。