关键词： 迁移学习   自监督学习   增强倍数   图像分类  

摘要： 在基于深度学习的计算机视觉研究中,为了更好的提升视觉效果,通常需要使用大规模的数据来学习训练网络模型。然而,大规模的数据都非常依赖大量的人力进行标注,因此花费非常昂贵。为了使得在标注样本数据不足的情况下也能训练出性能较好的网络模型,近年来,大量的方法被学者们提出。其中自监督学习就是通过大量无标注的样本数据进行自监督训练,来学习样本自身的数据特征的一种方法。针对具体实际问题往往通过迁移学习方法对网络模型再使用一定量的有标注数据进行一次训练,就可以训练出一个效果不错的网络模型。本文针对上述问题,主要的研究内容如下。（1）提出了基于多重数据增强自监督机制,将图片样本经过一系列变化如旋转、切割、缩放、颜色扭曲、高斯模糊等操作获取到多组增强后的样本作为在预训练阶段的伪标签,本文将增强的次数称为增强倍数,将增强后的样本和原样本的相似度对比作为预训练阶段的代理任务,可以训练出对不同样本有良好区分力的模型。在训练的组次中,同一样本的增强变体互为正面样本,而其余样本的增强变体则为负面样本,在计算相似度时对不包含自身的正向样本的相似度进行均值处理得到的相似度作为代表值,而该组次中相似度最大值对应的样本作为模型的预测值,只有当该相似度最高的样本为正向样本时,说明该模型的判断正确。而本文使用了 Resnet残差网络和Densenet稠密网络作为特征提取器,经过实验证明,多重增强对模型的判别能力有所提升。（2）本文将所提出的多重数据增强机制通过迁移学习应用到具体的图像分类任务中,将预训练的模型结构进行一定调整并在多个数据集上取得了不错的效果,也证实了多重数据增强机制下模型学习到的判别能力对相近任务都具有积极的作用,并还验证出样本数据量和模型大小之间的关系以及模型大小和增强倍数的选择之间的关系,对投入实际应用有着积极的参考意义。

关键词： 深度学习   小样本学习   度量学习   关系融合   原型优化  

摘要： 为了降低深度学习对标注样本数量的要求,小样本学习被提出并成为了近年来研究的热点。其中基于度量学习的方法首先将样本映射到嵌入空间中,然后使用距离度量实现分类。已有的度量学习方法通常仅将样本独立地进行特征映射,忽略了对任务整体地观察,导致样本在嵌入空间中的分布缺乏判别性;此外现有方法计算原型作为类表达特征时,仅简单求支持集特征均值,由于样本匮乏,原型计算容易受到噪声的干扰,从而对类别的代表性较差。围绕以上问题,展开了一系列的研究,本文的主要研究内容如下:1.针对样本仅被独立映射,样本间关系信息挖掘不充分问题,提出一种关系挖掘与融合的方法。首先设计由卷积块与残差块构成的关系挖掘网络学习任务内样本间关系,并据此调整样本特征,构造更具有判别性的任务自适应嵌入空间。其次为了辅助训练关系挖掘网络,以及进一步促使不同类的样本簇相互远离,提出了原型互斥损失。在多个数据集上进行了实验,并通过消融实验,验证了关系挖掘网络与原型互斥损失均能够优化类簇在嵌入空间中的分布,以此提高网络的分类性能。2.针对原型对类别的代表性较差问题,提出了类特征优化网络。首先将提取到的样本特征输入关系挖掘网络进行优化。其次提出偏差抑制模块,通过软阈值挑选策略,挑选查询集样本并分配虚拟标签,加入到原型的计算中,以校正原型与期望原型之间的偏差,获得代表性更高的优化原型。最后,针对现有的度量方式仅计算查询集样本与类表达特征的单向距离这一问题,提出了反向相似度概念,作为对现有度量方式的补充,更加全面的评估样本间相似性。在多个公开数据集上进行了实验并取得了良好的分类效果,验证了类特征优化网络的有效性。

关键词： 民族舞蹈教学   “有意义接受学习”理论   实践探究  

摘要： 习近平总书记站在实现“两个一百年”奋斗目标和确保中国特色社会主义事业后继有人的高度,强调了重视教育就是重视未来、重视教育才能赢得未来,把教育事业要摆在优先发展的战略地位。同时,对广大教师也提出了殷切希望,指出教师是立教之本,兴教之源。教师应当做到立足当前,着眼长远。随着舞蹈学科的不断发展,已有不同的教学方法进入舞蹈课堂。但仍有部分舞蹈课程的教授持续沿用着传统的“讲授-接受”式的教学方法。学生的学习状态依旧是机械学习、被动学习、缺少了主动思考,没有主动建构知识。笔者借助戴维·保罗·奥苏贝尔(David Pawl Ausubel,1918-2008)的“有意义接受学习”理论,在舞蹈教学中强化学生学习的积极性与主动性,激发学生学习兴趣,促进学生学习效率的提高,指导学生自主将固有知识(旧知识)与新知识结合起来,实现从机械学习到“有意义接受学习”的转换,完善学习方法,培养学生深度学习能力、自我探索能力、自主构建知识体系能力,实现教育现代化。如何使学生对于知识的理解更为透彻,如何启发学生对于课堂的思考是本研究着重探索的。本课题针对“有意义接受学习”理论的外在、内在条件——固定教材、固有知识的要求,选择傣族舞蹈教学组合《嘎洛涌(孔雀舞)》,因疫情原因无法在其他教学环境选择实践对象,因此笔者遵循学生具备固有知识且有一定的学习能力的原则,在校内征集了 11名志愿者,结合线上+线下的教学环境进行“有意义接受学习”理论舞蹈教学实践探究。论文由绪论、正文、结论三部分组成。绪论阐述了本课题的研究目的、研究意义、研究现状及研究方法。正文部分共分三章。第一章主要对“有意义接受学习”理论进行梳理,进一步阐述其作用,并建构“有意义接受学习”理论舞蹈教学的理论依据和实践依据。第二章基于“有意义接受学习”理论在舞蹈教学中的实践探索而开展的教学环境与对象的选择、调查与问卷的设计和“有意义接受学习”理论的舞蹈教学设计。第三章是对“有意义接受学习”理论教学实践的呈现,并根据“以往民族舞蹈课程”;与“有意义接受学习”理论课程的调查数据对比,对“有意义接受学习”理论融入舞蹈教学后的效果进行分析,总结“有意义接受学习”理论在教学中的价值。结论部分主要对本课题研究的成果进行梳理,并简述笔者从中得到的启示。

关键词： 青光眼诊断   深度学习   跨模态关系网络   广义蒸馏  

摘要： 青光眼是一类以进行性视神经损害为特征的致盲性眼病,目前已成为全球不可逆失明的首要原因。最近的研究表明,随着老龄人口的增加,青光眼的患病率将逐年上升,到2040年青光眼患者数量预计将超过1亿。青光眼的发病机制尚不完全明确,而且早期青光眼通常没有明显的症状,具有隐匿性。这导致存在大量不自知的青光眼患者,直到出现可察觉的视功能缺损时才会寻求医疗服务。大部分病例在初次就诊时已处于青光眼的中晚期阶段,因此通过眼科检查实现早期筛查和准确诊断对于保护患者的视力至关重要。眼科医生需要对眼底结构和视功能等多种检查数据进行全面的分析,才能进行有效诊断,但这一过程非常耗时耗力且相对主观。现有的医疗人力资源难以达到较理想的青光眼筛查效果。近年来深度学习在计算机视觉和医学图像处理领域取得了长足的发展,然而利用深度学习技术的青光眼辅助诊断算法尚未得到足够的关注,尤其是缺少基于视野(Visual Field,VF)和光学相干断层扫描(Optical Coherence Tomography,OCT)的多模态深度学习诊断算法研究。鉴于临床实践对青光眼自动诊断工具有着迫切的需求,本文开展面向青光眼辅助诊断的深度学习方法研究,主要内容和创新点如下:(1)本文第一个工作从中国7个眼科中心收集了超过1万例视野报告,用于评估仅基于VF统计分析图诊断青光眼的可行性。本工作提出了一种基于多个VF统计分析图的青光眼诊断算法,并基于该算法开发了一个青光眼智能筛查云平台。本工作具有三个优点:一是研究样本量大、来源多;二是通过使用多个视野分析图来提高模型的性能,该算法取得了优于三级医院的普通眼科医生的诊断性能;最后是开发了一个软件解决方案以在临床上部署该算法。(2)仅基于VF评估青光眼的信息较为有限,本文第二个工作借鉴临床诊断经验,提出了一种基于VF和OCT的联合诊断算法。通过注意力机制利用功能性与结构性评估的互补性来提高诊断准确性,并引入域泛化(Domain Generalization)技术来提高模型的通用性。该算法在来自多个眼科中心和多种OCT设备的数据上进行实验验证。实验结果表明,基于VF和OCT的多模态方法显著提升了青光眼诊断算法的性能。(3)医学研究表明青光眼的结构性损伤和功能性损伤之间存在空间对应关系。但上一个工作既没有充分利用结构与功能之间的空间对应关系,也没有多模态交互机制来实现两个模态的相互支持。本文第三个工作的创新点是一个基于深度学习的跨模态关系推理网络,主要包含关系推理和交互转换两个部分,其中关系推理包括数据驱动的全局关系推理和医学先验指导的分区关系推理,交互转换模块(Interaction Transformer Module)设计了一种多模态特征交互技术,从而实现全局与分区的结构-功能关系推理和特征融合。大量的实验表明VF与OCT数据在辨别青光眼病变方面相辅相成,该方法进一步提高青光眼联合诊断算法的性能。(4)前两个工作所提出的多模态算法需要配对的VF-OCT数据才能诊断青光眼。然而,在临床实践中,收集VF数据通常是较为困难的,这可能会阻碍多模态算法在筛查场景中的应用。为获得更通用的临床筛查算法,本文第四个工作提出了一种利用OCT-VF数据构建更准确的OCT模型的方法。该方法通过广义知识蒸馏技术将多模态网络(教师)的知识传递到OCT网络(学生),并设计了一个新颖的异步特征正则化模块,使得学生网络在VF信息的辅助下获得具有更强表征能力的OCT特征。实验结果表明,与常规训练的OCT模型相比,该算法获得的OCT模型显著提升了单模态青光眼诊断算法的性能,并且可与多模态模型媲美。

关键词： 脑电信号   情绪识别   功率非对称特征   深度学习   局域时空场  

摘要： 脑电信号包含了丰富的人类情绪信息,而情绪在人类的认知活动和行为中起着重要的作用,它对我们的生活和工作有很大的影响。情绪本质上来源于大脑,能够客观的反映人的情绪状态变化。因此,通过从脑电信号挖掘出有效的信息进行情绪识别在人机交互和精神疾病监测方面具有非常重要的意义。近年来,随着脑机接口技术的快速发展,越来越多的研究者参与到情绪识别的研究中来。然而,在该领域中,面临着大量的难题如:剧烈的信号变化、强噪声干扰等,这些都在一定程度上限制了脑电情绪识别的进一步发展。本论文围绕脑电信号情绪识别中的特征提取、深度学习分类等关键环节开展相关的研究。我们首先采用了信号处理中的相关方法提取特征并使用深度学习模型进行分类,在此基础上提出了一种“局域时空场”模型,并探索不同的方法对脑电信号情绪识别的有效性。本文的主要内容如下:第一部分,以脑电信号中丰富的频域信息为出发点,研究其五个频带:δ、θ、α、β、γ中的情绪信息,并基于这五个频带分别提取了四种特征:功率谱密度特征、功率非对称特征、微分熵特征和理性非对称特征,其中功率非对称特征和理性非对称特征融入了脑电信号采集过程中电极对称分布的特点。基于这些特征我们提出三种深度学习模型:一维卷积神经网络、长短时记忆网络和双向长短时记忆网络实现情绪分类。我们主要是在DEAP和DREAMER数据库上开展实验,对效价和唤醒度进行二类分,并进行相互的性能对比。根据实验结果,我们可以确定更有效的特征和深度学习模型组合,为下一部分的新模型构建提供参考。第二部分是以第一部分的深度学习方法为基础,以合适的特征和分类器模型,融入一种新的局域场方法,提出一种新的“局域时空场”模型。该模型主要分为四个部分:信号的序列化、特征表示、空间局域化和情绪分类。空间局域化融合了分治的思想。当脑电信号存在严重噪声干扰和数据变化的情况下,其可以有效降低特征空间中局部区域的数据复杂度。此外,双向长短时记忆网络所挖掘的动态时间信息与局域场所挖掘的局部空间信息也是互补的。因此,能够更好地解决基于脑电信号的情绪识别问题。最后通过在DEAP和DREAMER数据库上开展实验,并与其他较为先进的方法进行对比,从而证明本模型的有效性。此外,还分析在不同数据划分比例下的模型的性能及训练过程中的损失函数曲线变化情况。

关键词： 标签噪声   三支决策   聚类   自适应  

摘要： 在机器学习中,标签噪声的存在会增加模型的建模复杂度,降低模型的分类性能。标签噪声处理方法主要分为以下两种:一是研究一些通用的算法消除标签噪声对模型的不良影响,其旨在容纳噪声;二是对模型的输入流进行处理,即对样本中标记错误的数据进行纠正或者清除。本文基于模型预测对样本数据进行预处理的方式,开展基于标签噪声的分类器性能优化研究,提出了结合三支决策自适应噪声过滤方法,并将该算法集成到一个标签噪声自适应过滤系统上。本文的主要工作如下: 1.为了解决噪声处理算法中参数固定设置问题,基于自适应学习思想,提出了一种自适应学习参数的噪声过滤方法,称为标签噪声自适应过滤学习。该方法不依赖于噪声估计或其他测量,不需要优化任何参数,基于k-means易实现、参数少且速度快等优点,本文通过对样本损失值迭代地使用k-means将噪声样本从正常样本中识别出来。此外,该方法可以结合不同损失函数或分类器,具有较好的通用性。 2.针对二支决策在信息不足时误判数据样本归属的情况,基于显著噪声特性与三支决策思想,提出一种噪声划分方法。该方法利用类簇标签匹配对部分数据样本点划分归属,剩余样本点根据投票数量划分类簇,生成三支决策聚类结果,并对边界域数据采用延迟决策,提高模型的准确率与稳定性。 3.结合本文三支决策自适应噪声过滤方法,设计并实现了一个标签噪声自适应过滤系统,该系统无需任何参数优化即可过滤用户上传的数据。系统简洁且易于使用,能够很方便地应用于实际工作中。 本文提出了标签噪声自适应过滤学习和基于三支决策噪声划分方法,并将两个方法进行有效融合。实验结果表明,本文的算法在提升模型性能上取得了良好效果。

关键词： 生存分析   目标检测网络   多示例学习   图卷积神经网络   注意力机制  

摘要： 患者无病生存是临床医学预后研究的重要内容,它为医生制定治疗干预措施提供指导,改善患者生存。基于临床数据的生存分析可有效预测患者预后,但利用复杂多样的临床数据进行预后预测存在诸多挑战。组织病理图像记录了细胞的微观形态及肿瘤微环境,是癌症疾病诊断的金标准,侧面反映疾病严重程度,包含重要预后信息。然而病理学家人工阅片极其耗时,且存在主观偏差。基于计算机的辅助分析方法可有效解决这一问题。使用组织病理图像进行预后预测的方法大致分为两类:基于感兴趣区域(Region of Interest,ROI)的方法和基于全玻片病理图像(Whole Slide Image,WSI)的方法。从病理学家标注的ROI获取图像切块,提取组织纹理、形态等人工特征用于患者的预后分析,性能较差。该类方法存在以下问题:1)病理学家人工标注成本巨大且有主观偏差;2)颜色差异导致提取的人工特征刻画不准确;3)提取的组织特征解释性较差。从WSI中自动提取全玻片病理图像全局信息进行预后,可降低人工成本,消除主观误差,提升性能。但传统WSI方法未过滤无效切块且无法有效提取并聚合预后特征。针对上述问题,本文从病理图像的细胞微观形态和全图宏观表达两角度研究预后特征提取方法,构建两类风险预测模型。主要工作及贡献概括如下:1)面向有丝分裂细胞特征的Deep Mitosis Surv方法。有丝分裂计数是大部分癌症评估肿瘤侵袭性的重要参数。基于目标检测网络提取有丝分裂细胞特征作为协变量,构建Cox比例风险模型。性能优于基于随访数据的预后方法且具解释性。2)面向全玻片病理图像的Deep GCNMIL方法。在多示例学习框架中使用三层图卷积神经网络来学习每个图像切块表型的表示,引入基于注意力的多示例学习池化聚合表型簇特征,输出预后风险。该方法在NLST肺癌数据集和TCGA＿BRCA乳腺癌数据集上的一致性指数领先第二名0.026、0.014,超越当前同类主流方法。对于大规模GB像素的病理图像,该方法可有效评估患者预后风险并帮助提供个性化医疗。3)面向全玻片病理图像的Deep GATMIL方法。在DeepGCNMIL的基础上引入三层注意力图神经网络来学习每个表型的表示,使用多头注意力聚合表型簇特征,在NLST和TCGA＿BRCA数据集上的一致性指数领先第二名0.042、0.024。

关键词： 股票指数   投资者情绪   方向预测   模拟交易   特征重要度  

摘要： 大量研究表明基于有效市场假说的传统金融理论并不能很好地解释股价暴涨暴跌等诸多市场异象,而行为金融理论的提出和发展为这一课题的深入研究提供了一个合理的和可行的方向。在行为金融理论的框架下,非理性的投资者情绪成为影响市场价格波动的关键因素之一。因此,如何从投资者情绪角度对市场进行预测是近年来众多研究者广泛关注的热点和难点话题,也是投资者、金融监管和政策调控部门所重点关注及丞待解决的重要问题。本研究从我国证券市场投资者情绪的角度出发,提出了一种结合极端梯度提升(XGBoost)、Bagging和带精英策略的非支配排序遗传算法(NSGA-Ⅱ)的集成方法用于上证综指和深证成指的方向预测和模拟交易。同时,本文对各个输入情绪特征变量在模型训练中的特征重要度进行了分析,并通过SHAP方法从单个特征和全局角度给出了情绪特征变量对模型结果的分类贡献。本研究主要有以下几个特点:首先,本研究综合考虑个人、机构和境外投资者的情绪因素来分别构建三类投资主体情绪指标,为我国证券市场投资者情绪研究与应用提供了新的研究视角。第二,通过情绪特征筛选剔除相关度高的冗余特征并提取重要度较高的情绪因子,以此作为训练模型的输入特征,从而提高模型的预测精度和训练速度。第三,选取预测性能较好的XGBoost算法作为基分类器分别构建上证指数和深证指数预测模型,同时通过Bagging方法对多个基分类器进行并行集成来克服XGBoost在训练过程中的过拟合问题。第四,运用NSGA-II方法对模型参数及交易参数进行优化,从而提高股指价格走势的预测精度。最后,通过模型特征分析提炼股指预测模型的决策逻辑以及关键情绪特征因子,有效加强了黑箱模型在预测问题中的可解释性。实验结果表明,本文所提出的XGBoost-Bagging-NSGA-Ⅱ方法在命中率、累积收益率、最大回撤率和夏普比率方面均取得了出色的表现,表明该方法在股指方向预测上有较高的准确性,同时也有效控制了交易风险,具有持续稳定的盈利能力。模型特征分析结果也表明随着境外投资者情绪对上证综指和深证成指方向预测的重要程度的降低,机构投资者情绪的重要程度逐渐上升,而个人投资者情绪的重要性始终处于较低水平。此外,SHAP方法的应用也很好的提高了预测模型的可解释性,为市场参与者识别影响股指价格走势的重要投资主体情绪、厘清模型决策规则提供了有效参考。综上所述,本文结合多种新兴的机器学习方法从投资者情绪视角构建股指方向预测模型,这为研究投资者情绪与证券市场预测之间的关系提供了一种新的思路,有助于促进机器学习与金融学科的交叉融合研究。同时,本文的研究成果对我国证券市场参与主体情绪如何影响证券市场价格走势提供了科学解释,也能帮助理解投资者情绪因素对市场价格波动的影响机理。在实际应用中,本研究为从事市场交易个人、机构等市场投资者未来的投资行为提供了决策支持,更加有助于其进行资产管理,也可以为市场的监管机构和政策制定者把控潜在市场风险开辟了一条新的研究方向,对于促进资本市场健康发展具有重要的理论与实践意义。

关键词： 半监督学习   SAR图像目标识别   插值一致性   动态阈值   小损失选择  

摘要： 合成孔径雷达(Synthetic Aperture Radar,SAR)是一种采用相干成像机制的主动式微波成像地面观测系统,其通过对目标物发射可以穿透云和植被遮挡的穿透性极强的电磁波,并快速接收回波信号,然后利用多普勒效应对回波数据计算,以实现远距离高分辨率成像,获取目标形状、结构、散射特性等丰富信息。具有全天时、全天候、远作用距离和高分辨率成像等优势,被广泛的应用在国防安全、勘察侦测、环境及能源监测等领域。SAR图像目标识别作为SAR图像分析和解译的基础问题,自SAR诞生以来持续获得了大量关注和研究。与光学图像不同,单极化SAR图像具有独特的散射机制和斑点噪声,增加了SAR图像目标识别的难度。而传统的SAR图像目标识别方法通过特征提取和分类器设计两个阶段进行识别,在特征提取阶段极为依赖先验知识且步骤繁琐。近年来,端到端的深度学习理论及方法快速发展,并在SAR图像目标识别领域获得了大量的应用验证。但深度学习方法需要依靠海量的标记数据进行特征提取,在SAR图像识别领域中收集大量适合深度学习方法的标记样本图像既昂贵又耗时。为了减少深度学习SAR图像目标识别方法对于标记样本图像的依赖,本文围绕半监督学习SAR图像目标识别这一热点课题,提出多块插值混合运算、一致性正则化师生模型、动态阈值和权值调整、早期样本选取重训练等半监督学习SAR图像目标识别方法,提高小数量标记样本情况下SAR图像目标识别模型的泛化性能,本文的具体研究内容和创新点如下:(1)针对SAR图像使用插值一致性算法处理后产生的混合后图像带有局部模糊的问题,分析现有的插值运算方法的优势与存在的问题,充分考虑插值运算带来的不利因素,提出多块插值混合运算半监督学习SAR图像目标识别方法。与现有插值混合运算方法进行全局混合思想不同,通过多个并列排序的矩形框将主次混合样本图像划分为不同区域,并在每个区域中随机选取小面积区域,进行插值混合处理,生成视觉效果近似于主混合样本且含有次混合样本的部分特征的新样本。使用新样本通过半监督学习的方式训练卷积神经网络模型,提高模型的识别泛化性能。通过所提策略插值运算后获得的图像更易被卷积神经网络模型所学习,提高半监督学习SAR图像的目标识别准确率。(2)针对当前基于师生模型的SAR图像目标识别半监督学习方法存在模型训练耦合效应,影响训练模型识别准确率的问题,提出一致性正则化师生模型半监督学习SAR图像目标识别方法,使用多个网络模型互为教师学生对无标记样本进行伪标记处理,优化网络模型的识别性能。首先对无标记图像样本进行多次数据增强,采用学生模型以一致性正则化的方式对多次增强后的样本进行预测,依据学生模型对无标记样本类别预测置信概率对无标记样本进行伪标记与排序,从而将无标记样本划分为一致性伪标记样本和置信伪标记样本,使用教师模型对划分后的置信伪标记样本重新标记,解决单一师生模型下半监督学习方法存在的耦合问题,改善学生模型对伪标记样本的整体标记准确度,以实现对模型识别性能的优化,并通过实测数据对所提方法进行了验证和分析。(3)针对SAR图像目标识别半监督学习方法在早期训练过程中存在伪标记样本标记错误率高,且伪标记样本类别分布不均衡,影响模型早期训练过程,从而影响最终所得卷积神经网络模型识别准确性的问题,提出动态阈值和权值调整半监督SAR图像目标识别方法。采用动态阈值和权值调整的策略减少用于训练模型的伪标记样本错误率,平衡伪标记样本类别分布。训练过程中统计每次用于优化模型的各类别伪标记样本数量,根据各个类别的历史数量分别设置不同阈值,以平衡各类别样本数量。同时根据计算获得各样本损失项的大小,将部分样本定义为“难学”样本,并赋予高学习权重,以使模型加强对“难学”样本的学习注意力,提高模型的识别泛化性能。(4)针对标记的SAR图像样本数据量极少的情况下,半监督学习模型存在过度拟合标记样本图像的风险,使SAR图像目标识别模型存在泛化性能不足的问题,提出早期样本选择再训练半监督SAR图像目标识别方法。根据早期训练模型首先学习简单、干净样本的原则,通过初始化多个参数不同的模型经过多次迭代训练得到模型集,使用模型集对无标记样本数据进行伪标注。然后在各个类别中筛选出一些具有高置信度的伪标记样本,组成低噪声伪标记样本集,同标记样本结合起来训练模型,从而丰富标记样本的数量。最后通过小损失选择的方法对低噪声伪标记样本和模型实时标记的伪标记样本进行进一步筛选,重新训练新的半监督学习SAR图像目标识别模型,以获得更高的识别准确率。

关键词： 高中历史学习   历史记忆方法   历史思维方法   历史研究方法  

摘要： 历史学习方法是学生在学习历史这项复杂活动中所表现出的解决历史学习中出现的问题的行为和手段,即在学习历史的过程中学生如何做。历史学习方法是历史知识与核心素养的连接点,教师利用其指导学生开展学习,深入探究和理解历史知识,学生从而学会学习,发展历史核心素养。根据一般与特殊的划分方式,历史学习方法分为历史记忆方法、历史思维方法及历史研究方法。Z市区位于H省南部,其区内的普通高中学校学生的历史学习方法基本包括这三种历史学习方法。这些方法可供其他地区的教师及学生借鉴,利于教师创新教学手段,针对性地进行学习指导,便于学生开展学习,增强历史思维能力与研究能力。高中学生的历史学习方法是多元化的,因学校、年级、性别、年龄和成绩的不同呈现差异化。高中学生受学习环境、学习效果、课外活动、学习时间、学习基础及历史教师的影响,其对历史学习方法的认知、选择和掌握也呈现差异化。历史学习方法是动态发展的。然而受上述因素的影响,学生存在过于重视“内容性知识”,忽略“方法性知识”;无法系统地学习历史方法;学习环节不完整,未形成良好的学习习惯;缺乏反省意识,及时反馈缺位四个方面的问题。针对上述问题,教师和学校合力,以一种历史学习方法为主,利用教材与活动,引导学生将历史学习方法贯穿预习、学习、巩固、评价四大环节,从而促进学生对历史学习方法的掌握与应用,提升学生的历史“学习力”。