基于小样本学习的林业病害识别

近年来,国家越来越重视林业的发展,而林业病害防治问题始终是林业发展过程中的一项重点工作.针对传统林业病害识别方法存在数据需求量大、模型易过拟合、部分病害类别采样困难,缺乏标准公开数据集等问题,提出了一种基于小样本学习的林业病害识别模型(DML-MB模型),实现了对于林业病害任务的识别.首先,利用从林业局获取的林业病害数据,整理并建立了7类,共210张林业病害图像数据集.其次,模型在训练分类器的过程中引入深度相互学习(DML)策略,让不同网络在训练时不断分享学习经验,提升了深度神经网络的性能.最后,删除分类器中的全连接层获得特征提取器并迁移到DML-MB模型的元学习网络中进行训练.实验结果表明, DML-MB模型在林业病害数据集上的1-shot和5-shot的测试精度分别为61.38%和73.56%,相较于主流的小样本模型,精度最高提升了2.78%和4.52%.     

基于小样本学习的炸点目标检测

针对武器测试中炸点目标检测存在的误检、错检问题,提出一种融合自注意力机制、底层信息和解冻权重的两阶段微调的小样本学习方法来进行改进。首先将TFA网络中的FPN替换成带有自注意力机制的AC-FPN网络,并且在金字塔结构部分将底层输出送入顶层,构建一个全新的主干提取网络。然后在对整个网络解冻网络权重,使得新的数据集在整个网络上进行训练。为了验证所提算法,在自制炸点数据集上进行训练和测试,最终该方法的AP为55.2%,比原方法明显提高34.2%,对炸点形状的识别有更好的结果,能更好地满足实际要求。并在Pascal VOC数据集上进行了实验,结果表明该算法的有效性。     

基于小样本学习的毫米波雷达手势识别方法

针对大部分的手势识别方法在较小样本下可能出现过拟合和训练误差等问题而影响识别精度,本文提出了一种基于多通道调频连续波（FMCW）毫米波雷达在小样本场景下的手势识别方法。我们采用FMCW雷达获取前推、后拉、推拉、拉推、快速挥手、快速敲击等六类手势的回波信号,首先对各种手势的雷达回波信号进行预处理,然后利用二维傅里叶变换得到手势动作的距离-时间谱图和速度-时间谱图,最后基于度量学习设计了双流度量学习原型网络以提取手势动作的多维特征并实现手势识别。实验结果表明,所设计的双流网络能够在小样本条件下进行手势识别,准确率可达到98.3%。     

基于Web平台的学习资源个性化推荐研究

随着互联网技术的发展和大数据时代的来临,在线学习平台凭借丰富开放的信息资源、随时随地可以自主学习等优势受到了普遍关注。但随之也产生了信息过载问题,学生在海量信息中很难找到合适的资源,为此个性化推荐应运而生。作为当前解决信息过载最有效的工具之一,个性化推荐技术在过去的几十年里取得了长足的进步。主要对个性化推荐研究现状、关键技术进行了详细阐述,并展望未来的发展趋势。     

基于小样本学习融合随机深度和多尺度卷积的SDM-RNET网络

针对神经网络难以利用少量标注数据获取足够的信息来正确分类图像的问题,提出了一种融合随机深度网络和多尺度卷积的关系网络——SDM-RNET.首先在模型嵌入模块引入随机深度网络用于加深模型深度,然后在特征提取阶段采用多尺度深度可分离卷积替代普通卷积进行特征融合,经过骨干网络后再采用深浅层特征融合获取更丰富的图像特征,最终学习预测出图像的类别.在mini-ImageNet、RP2K、Omniglot这 3 个数据集上对比该方法与其他小样本图像分类方法,结果表明在5-way 1-shot和5-way 5-shot分类任务上该方法准确率最高.     

面向小样本学习的嵌入学习方法研究综述

为了解决机器学习在样本量较少的情况下所面临的巨大挑战,研究人员提出了小样本学习的概念.在现有的小样本学习研究工作中,嵌入学习方法取得了不错的效果,引发了大量关注.根据训练特征嵌入函数时结合任务特征信息的方式,将嵌入学习方法划分为单一嵌入模型和混合嵌入模型两大类.依据划分的类别,对现有的嵌入学习方法的研究工作展开进行研究...     

面向小样本学习的轻量化知识蒸馏

小样本学习旨在模拟人类基于少数样例快速学习新事物的能力, 对解决样本匮乏情境下的深度学习任务具有重要意义. 但是, 在诸多计算资源有限的现实任务中, 模型规模仍可能限制小样本学习的广泛应用. 这对面向小样本学习的轻量化任务提出了现实的需求. 知识蒸馏作为深度学习领域广泛使用的辅助策略, 通过额外的监督信息实现模型间知识迁移, 在提升模型精度和压缩模型规模方面都有实际应用. 首先验证知识蒸馏策略在小样本学习模型轻量化中的有效性. 并结合小样本学习任务的特点, 针对性地设计两种新的小样本蒸馏方法: (1)基于图像局部特征的蒸馏方法; (2)基于辅助分类器的蒸馏方法. 在miniImageNet和TieredImageNet数据集上的相关实验证明所设计的新的蒸馏方法相较于传统知识蒸馏在小样本学习任务上具有显著优越性.     

基于组合推荐技术的学习资源个性化推荐研究

通过调查发现,E-learning支持系统无法有效地向学习者个性化地推荐学习资源。为了进一步提高推荐系统的性能,本文尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。协同过滤推荐技术是一种应用最为广泛的个性化推荐技术,然而其面临着冷启动、数据稀疏性问题、规模可扩展性等问题。本文通过介绍协同过滤推荐技术的工作原理、实现方法及存在问题,提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型,重点讨论了隐式评分机制和算法的实现,以提升推荐系统的实时响应和推荐精度。     

个性化学习资源推荐发展研究

随着信息技术和网络教育的发展,学习资源呈现爆炸式增长,面对丰富的学习资源,学习者并不能在短时间内最大程度匹配到适合自己的学习资源。个性化学习资源推荐（Personalized Learning Resource Recommendation,PLRR）利用新一代信息技术,全面分析学习者特征、行为、目标等信息,从海量学习资源中筛选出符合其需求的资源,并以合适的方式呈现给学习者,以提高其学习效率和满意度。本文主要从PLRR基本框架、主要算法、面临的挑战和发展趋势进行阐述,旨在为相关研究者提供一个参考框架,促进PLRR领域交流和发展。     

融合弱监督目标定位的细粒度小样本学习

目的 小样本学习旨在通过一幅或几幅图像来学习全新的类别。目前许多小样本学习方法基于图像的全局表征,可以很好地实现常规小样本图像分类任务。但是,细粒度图像分类需要依赖局部的图像特征,而基于全局表征的方法无法有效地获取图像的局部特征,导致很多小样本学习方法不能很好地处理细粒度小样本图像分类问题。为此,提出一种融合弱监督目标定位的细粒度小样本学习方法。方法 在数据量有限的情况下,目标定位是一个有效的方法,能直接提供最具区分性的区域。受此启发,提出了一个基于自注意力的互补定位模块来实现弱监督目标定位,生成筛选掩膜进行特征描述子的筛选。基于筛选的特征描述子,设计了一种语义对齐距离来度量图像最具区分性区域的相关性,进而完成细粒度小样本图像分类。结果 在mini Image Net数据集上,本文方法在1-shot和5-shot下的分类精度相较性能第2的方法高出0.56%和5.02%。在细粒度数据集Stanford Dogs和Stanford Cars数据集上,本文方法在1-shot和5-shot下的分类精度相较性能第2的方法分别提高了4.18%,7.49%和16.13,5.17%。在CUB 200-...     

在线学习资源的个性化智能推荐研究探析

由于在线学习学习者的认知能力的不确定性、学习兴趣的变化性、用户偏好的多样性等,在线学习资源的个性化智能推荐面临新挑战.文章根据学习者认知能力的模糊综合诊断和学习者多重特征信息融合等,对在线学习资源的个性化智能推荐进行了研究,以期为相关研究者提供参考和启发.     

一种基于协同上下文关系学习的同城活动推荐算法

新兴的基于活动的社交网络以活动为核心,结合线上关系与线下活动促进用户真实、有效的社交关系的形成,但过多的活动信息会使用户难以分辨和选择.结合上下文进行个性化同城活动推荐,是解决活动信息过载问题的一种有效手段.然而大部分现有的同城活动推荐算法都是从用户参与活动记录中间接统计用户对上下文信息的偏好,忽略了两者之间潜在的交叉影响关系,从而影响了推荐结果的有效性.为了解决用户参与活动偏好与上下文信息潜在交叉影响关系利用不足的问题,提出了一种基于协同上下文关系学习的同城活动推荐算法(colletive contextual relation learning,简称CCRL).首先,对用户参与活动记录和活动主办方、活动内容、活动地点、举办时间等相关上下文信息进行关系建模;然后,采用多关系贝叶斯个性化排序学习方法进行协同上下文关系学习及同城活动推荐. Meetup数据集上的实验结果表明,该算法在多项指标上均优于现有的主流活动推荐算法.     

基于知识图谱和图嵌入的个性化学习资源推荐

面对海量的在线学习资源,学习者往往面临“信息过载”和“信息迷航”等问题,帮助学习者高效准确地获取适合自己的学习资源来提升学习效果,已成为研究热点.针对现有方法存在的可解释性差、推荐效率和准确度不足等问题,提出了一种基于知识图谱和图嵌入的个性化学习资源推荐方法,它基于在线学习通用本体模型构建在线学习环境知识图谱,利用图嵌入算法对知识图谱进行训练,以优化学习资源推荐中的图计算效率.基于学习者的学习风格特征进行聚类来优化学习者的资源兴趣度,以获得排序后的学习资源推荐结果.实验结果表明,相对于现有方法,所提方法能在大规模图数据场景下显著提升计算效率和个性化学习资源推荐的准确度.     

基于行为分析的学习资源个性化推荐

随着数字化学习资源规模急剧扩张,\"知识过载\"和\"学习迷航\"等问题限制了在线学习资源推荐的性能,学习者从海量的学习资源中选择合适资源的难度随之增大.针对传统推荐算法中存在的数据稀疏和学习资源个性化推荐精度不高等问题,提出了基于行为分析的学习资源个性化推荐算法.首先,构建学习者-学习资源评分矩阵;其次,挖掘学习者行为数据并...     

基于资源特征的协同过滤算法的研究

以往的协同过滤推荐算法具有数据稀疏性问题,而对于新资源还具有冷启动问题。为此提出了一种基于资源特征的协同过滤推荐方法。通过收集和分析用户的行为,将用户对于资源的喜好转化为用户对于关键词的兴趣权重,将用户兴趣的改变表示为用户兴趣关键词权重的改变,以此来建立和更新用户兴趣模型。最后,通过发现用户兴趣模型与资源模型之间的联系从而达到资源推荐的目的。实验表明,该算法不仅可以跟踪用户的兴趣变迁,而且没有数据稀疏性问题和新资源的冷启动问题。     

基于改进自编码器的在线课程推荐模型

随着互联网技术的发展以及2020年新冠疫情的爆发, 越来越多的学生选择在线教育. 然而在线课程数量庞大, 往往无法及时找到合适的课程, 个性化智能推荐系统是解决这一问题的有效方案. 本文根据用户在线学习具有明显时序性的特点, 提出一种基于改进自编码器的在线课程推荐模型. 首先, 利用长短期记忆网络改进自编码器, 使得模...     

基于反事实学习及混淆因子建模的文章个性化推荐

如今,互联网推荐系统已经成为了一个热门话题,自动化推荐极大程度上方便了人们的生活,帮助人们从海量的信息当中寻找到最感兴趣的关键信息.互联网上每时每刻都在产生新的文章信息,已有的信息是一个非常庞大的数据集合,这些被记录的大量数据能够帮助统计出用户偏好以及文章内容的受欢迎程度.目前互联网上有许多种类的推荐系统,他们综合考虑了用户特征,文章特征.基于互联网各大社交媒体上的数据,现有的用户个性化推荐系统通过构建特定的模型对用户进行精准推荐.目前,推荐算法主要通过监督学习与在线学习的方法进行构建,但这些方法进行个性化推荐的时候往往忽略了一个问题：历史记录当中的推荐策略往往是部分观测数据,具有分布不平衡的劣势,通过现有的历史记录不能保证算法能够得到无偏的推荐结果,也不能适应线上的环境以及推荐策略变化.本文提出了一种基于反事实学习并考虑系统当中混淆因子的文章个性化推荐.这种方法有更强的理论保证,并且在实验结果当中也显示了比现有方法更加好的算法表现.     

知识图谱与大语言模型协同的个性化学习推荐

个性化学习推荐是智慧教育领域的重要研究课题;它的核心目标是利用推荐算法和模型为学习者提供与他们的个人学习需求、兴趣、能力和历史相匹配的有效学习资源;从而提高学习者的学习效果。目前的推荐方法存在冷启动、数据稀疏、可解释性差和过度个性化等问题;而知识图谱与大语言模型的结合为解决上述问题提供了有力支持。首先;对个性化学习推荐的概念、研究现状等内容进行概述;其次;分别讨论知识图谱和大语言模型（LLM）的概念以及在个性化学习推荐中的具体应用;再次;总结知识图谱与LLM在个性化学习推荐中协同应用的方法;最后;展望知识图谱和LLM在个性化学习推荐中的未来发展方向;从而为个性化学习推荐领域的持续发展和创新实践提供借鉴和启示。     

基于图对比学习的MOOC推荐方法

随着MOOC在线教育平台的飞速发展,课程和用户数量激增,学习者在面对种类繁多的课程时往往较难选择,传统的推荐方法在MOOC课程推荐中应用存在对曝光次数较低的课程推荐效果差和对噪声数据鲁棒性不足的问题。为给学习者提供高质量的推荐,提出一种图对比学习的MOOC推荐方法,同时针对二分图结构给出一种新的数据增强方法。对输入的用户项目交互的二分图随机添加或者删除边进行数据增强,得到两个子视图,使用图卷积神经网络对原始二分图和两个子视图进行节点特征提取得到用户和项目的节点表征,并构建推荐监督任务和对比学习的辅助任务进行联合优化,在此基础上将用户和项目的节点表征进行点积获得推荐结果。在MOOC数据集上进行Top-K推荐的实验结果表明,相较于LightGCN模型,该方法在Recall@5和NDCG@5上均有显著提升,最高分别提升7.8%和7.3%,能够有效提高模型对于曝光次数较低的课程的推荐准确性和对于噪声数据的鲁棒性。