排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
2.
MXenes(Mn+1XnTx)是一类二维无机化合物材料,它由几个原子层厚度的过渡金属氮化物、碳化物或碳氮化物构成。由于具有大的比表面积、快速充放电性能和小的体积变化等优点,MXenes受到越来越多研究人员的关注。研究者希望能够利用MXenes材料研发出具有优异电化学性能的锂离子电池负极材料,从而提高电池的能量密度和寿命。然而MXenes材料制备过程中产生的层间堆积和坍塌限制了其进一步的发展。目前,研究人员通过将MXenes与其他材料复合制备出具有新结构的材料,不仅可以扩大层间距,改善材料结构,还有助于改进材料的电化学性能。本文介绍了MXenes与碳纳米材料、过渡金属氧化物、过渡金属硫化物和硅等材料复合改性来提高材料电化学性能的研究策略,并探讨了MXenes和碱金属等材料复合实现稳定无枝晶的锂离子电池金属负极的方案。最后,阐述了MXenes应用在锂离子电池负极材料中面临的挑战,并作出了展望。 相似文献
3.
经典机器学习算法假设训练数据和测试数据具有相同的输入特征空间和数据分布,但在很多现实应用中这一假设通常并不成立,导致经典机器学习算法失效。领域自适应是一种新的机器学习策略,其关键技术在于通过学习新的特征表达来对齐源域和目标域的数据分布,使得在有标签源域中训练的模型可以直接迁移到没有标签的目标域上,且不会引起模型性能的明显下降。介绍领域自适应的定义、分类和代表性算法,讨论基于度量学习和基于对抗学习的两类领域自适应算法。在此基础上,分析领域自适应的典型应用和现存挑战,并对其发展趋势及未来研究方向进行展望。 相似文献
4.
零样本草图检索将未见类的草图作为查询样本,用于检索未见类的图像。因此,这个任务同时面临两个挑战:草图和图像之间的模态差异以及可见类和未见类的不一致性。过去的方法通过将草图和图像投射到一个公共空间来消除模态差异,还通过利用语义嵌入(如词向量和词相似度)来弥合可见类和未见类的语义不一致。在本文中,我们提出了跨模态自蒸馏方法,从知识蒸馏的角度研究可泛化的特征,无需语义嵌入参与训练。具体而言,我们首先通过传统的知识蒸馏将预训练的图像识别网络的知识迁移到学生网络。然后,通过草图和图像的跨模态相关性,跨模态自蒸馏将上述知识间接地迁移到草图模态的识别上,提升草图特征的判别性和泛化性。为了进一步提升知识在草图模态内的集成和传播,我们进一步地提出草图自蒸馏。通过为数据学习辨别性的且泛化的特征,学生网络消除了模态差异和语义不一致性。我们在三个基准数据集,即Sketchy、TU-Berlin和QuickDraw,进行了广泛的实验,证明了我们提出的跨模态自蒸馏方法与当前方法相比较的优越性。 相似文献
5.
1