检索结果-内蒙古大学图书馆

计算机科学与探索 2025年第1期19卷 30-44页

作者：郭佳霖智敏殷雁君葛湘巍内蒙古师范大学计算机科学技术学院呼和浩特010022

卷积神经网络(CNN)与视觉Transformer是目前图像处理领域中两大重要的深度学习模型,两者经过多年来不断的研究与进步,已在该领域取得了非凡的成就。近些年来,CNN与视觉Transformer的混合模型正在逐步兴起,广泛的研究不断克服两种模型存... 详细信息

卷积神经网络(CNN)与视觉Transformer是目前图像处理领域中两大重要的深度学习模型,两者经过多年来不断的研究与进步,已在该领域取得了非凡的成就。近些年来,CNN与视觉Transformer的混合模型正在逐步兴起,广泛的研究不断克服两种模型存在的弱项,高效地发挥出各自的亮点,在图像处理任务中表现出优异的效果。基于CNN与视觉Transformer混合模型进行深入阐述。总体概述了CNN与Vision Transformer模型的架构和优缺点,并总结混合模型的概念及优势。围绕串行结构融合方式、并行结构融合方式、层级交叉结构融合方式以及其他融合方式等四个方面全面回顾梳理了混合模型的研究现状和实际进展,并针对各种融合方式的主要代表模型进行总结与剖析,从多方面对典型混合模型进行评价对比。多角度叙述了混合模型在图像识别、图像分类、目标检测和图像分割等实际图像处理特定领域中应用研究,展现出混合模型在具体实践中的适用性和高效性。深入分析混合模型未来研究方向,并为后续该模型在图像处理中的研究与应用提出展望。

关键词：卷积神经网络(CNN) 视觉Transformer 混合模型图像处理深度学习

来源：评论

学校读者我要写书评

暂无评论

神经机器翻译中课程学习研究综述

引用

计算机科学与探索 2025年第2期19卷 334-343页

作者：胡春月斯琴图王斯日古楞内蒙古师范大学计算机科学技术学院呼和浩特010022

课程学习作为一种新兴技术,近年来逐渐受到关注,它符合人类的学习习惯,由简到难、由浅至深。其核心思想是让模型从简单的、基础的概念开始学习,逐渐过渡到更复杂、更高层次的内容。在神经机器翻译中,课程学习作为一种训练策略,旨在帮助... 详细信息

课程学习作为一种新兴技术,近年来逐渐受到关注,它符合人类的学习习惯,由简到难、由浅至深。其核心思想是让模型从简单的、基础的概念开始学习,逐渐过渡到更复杂、更高层次的内容。在神经机器翻译中,课程学习作为一种训练策略,旨在帮助模型按照一定规律学习。课程学习现已被证明可以加速模型收敛,提高模型翻译质量和稳定性。从机器学习的角度介绍了课程学习的定义及其基础框架,并进一步探讨了课程学习在神经机器翻译领域中的应用。从样本难度评估与模型训练调度策略两个方面,详细阐述了预定义课程学习和动态课程学习两种方法。预定义课程学习通过事先确定样本的难度顺序,引导模型从简单到复杂的任务逐步学习;而动态课程学习则依据模型当前的学习状态动态调整样本的难度,提供了更灵活的训练方式。分析了课程学习在神经机器翻译领域的未来研究趋势,并提出了三个值得进一步探索的研究方向。

关键词：课程学习神经机器翻译难度评估训练调度

来源：评论

学校读者我要写书评

暂无评论

用于场景文本检测的非对称迭代细化预测网络

引用

计算机工程与应用 2025年第5期61卷 250-260页

作者：连哲殷雁君米增智敏徐巧枝内蒙古师范大学计算机科学技术学院呼和浩特010022

场景文本检测是图像处理领域的基础性研究工作,具有广泛的应用价值。DBNet作为该领域具有代表性的算法,重构文本实例的后处理过程过于简单,对纵横比显著变化的文本容易误检以及对小文本容易漏检。为解决以上问题,设计并提出用于场景文... 详细信息

场景文本检测是图像处理领域的基础性研究工作,具有广泛的应用价值。DBNet作为该领域具有代表性的算法,重构文本实例的后处理过程过于简单,对纵横比显著变化的文本容易误检以及对小文本容易漏检。为解决以上问题,设计并提出用于场景文本检测的非对称迭代细化预测网络AIRPNet。模型基于ResNet50特征提取网络,将常规卷积替换为可变形卷积以适应不规则文本特征,并调整block堆叠数使得各层携带的特征更加合理。采用RFP的递归思想更充分地融合多层特征,设计非对称迭代细化预测模块构建更为准确的概率图,可微分二值化后处理重构文本实例边界。针对非对称迭代细化预测模块,设计多种结构进行探究。为评估提出模型的有效性,在三个数据集上与最先进的主流模型进行对比,在ICDAR2015、MSRA-TD500和CTW1500数据集中,分别取得88.7%、88.4%和84.9%的F-measure,实现或接近SOTA性能。实验结果表明,提出模型能够捕获较为准确的概率图,从而构建较为完整的文本边界框。

关键词：文本检测递归金字塔非对称卷积迭代细化预测可微分二值化

来源：评论

学校读者我要写书评

暂无评论

大模型微调的多领域机器翻译方法综述

引用

计算机科学与探索 2025年第4期19卷 916-928页

作者：陈子建王斯日古楞斯琴图内蒙古师范大学计算机科学技术学院呼和浩特010022

随着机器翻译技术的快速发展,基于预训练大模型的机器翻译方法已在自然语言处理领域占据重要地位。然而,由于不同领域之间语言特征、词汇风格和表达方式的显著差异,单一预训练模型在多领域翻译任务中难以实现高效且稳定的性能。为此,聚... 详细信息

随着机器翻译技术的快速发展,基于预训练大模型的机器翻译方法已在自然语言处理领域占据重要地位。然而,由于不同领域之间语言特征、词汇风格和表达方式的显著差异,单一预训练模型在多领域翻译任务中难以实现高效且稳定的性能。为此,聚焦于多领域机器翻译任务中大模型微调技术的关键问题,系统性地综述了微调技术的核心原理、主要方法及应用效果,重点分析了全参数微调、参数高效微调和提示微调三类策略的性能表现与适用场景。深入探讨了不同微调方法的优势与局限性,重点分析了在资源受限条件下如何通过高效微调策略平衡领域泛化能力与任务特异性,展示了参数高效微调与提示微调在资源利用效率和领域适应性方面的显著优势。通过对比分析与实验验证,进一步评估了不同微调策略在领域迁移和资源利用方面的实际效果,并通过案例分析验证了其有效性。未来的研究方向应重点关注资源的高效利用、模型的领域自适应能力,以及翻译质量和鲁棒性的提升,从而推动多领域机器翻译系统在性能与适应性方面的持续发展。

关键词：大模型微调多领域机器翻译全参数微调参数高效微调提示微调

来源：评论

学校读者我要写书评

暂无评论

基于周期事件触发机制的分布式资源分配算法

引用

控制与决策 2025年第2期40卷 563-571页

作者：李志勇谈世磊西南交通大学电气工程学院成都611756 中国科学技术大学计算机科学与技术学院合肥230026

针对有限通信带宽下的多智能体系统最优资源分配问题,研究一种周期事件触发的分布式优化算法.首先,在连续时间型分布式加权梯度算法上,通过一种新的李雅普诺夫函数综合出一种事件触发通信机制,其触发器只需以一个固定周期采样自身状态... 详细信息

针对有限通信带宽下的多智能体系统最优资源分配问题,研究一种周期事件触发的分布式优化算法.首先,在连续时间型分布式加权梯度算法上,通过一种新的李雅普诺夫函数综合出一种事件触发通信机制,其触发器只需以一个固定周期采样自身状态信息并评估触发条件来判断是否需要进行通信;然后,通过稳定性分析表明,所提出分布式优化算法以指数速率收敛至最优解,这种周期事件触发机制不仅自然地排除芝诺行为,而且不需要触发器进行实时的检测;最后,通过数值仿真验证了所提出分布式事件触发优化算法的有效性.

关键词：多智能体系统资源分配问题分布式优化周期事件触发通信指数收敛连续时间算法

来源：评论

学校读者我要写书评

暂无评论

深度学习下的单阶段通用目标检测算法研究综述

引用

计算机科学与探索 2025年第5期19卷 1115-1140页

作者：王宁智敏内蒙古师范大学计算机科学技术学院呼和浩特010022

近年来,目标检测算法作为计算机视觉领域中的核心任务,逐渐成为热门研究方向。它使得计算机能够识别和定位图像或视频帧中的目标物体,广泛应用于自动驾驶、生物个体检测、农业检测、医疗影像分析等领域。随着深度学习的发展,通用目标检... 详细信息

近年来,目标检测算法作为计算机视觉领域中的核心任务,逐渐成为热门研究方向。它使得计算机能够识别和定位图像或视频帧中的目标物体,广泛应用于自动驾驶、生物个体检测、农业检测、医疗影像分析等领域。随着深度学习的发展,通用目标检测算法从传统的目标检测方法转变为基于深度学习下的目标检测方法。其中深度学习下的通用目标检测算法主要分为单阶段目标检测与两阶段目标检测,以单阶段目标检测为切入点,根据采用经典卷积与Transformer两种不同架构,对首个单阶段目标检测算法YOLO系列(YOLOv1~YOLOv11、YOLO主要改进版本)、SSD等和以Transformer为基础架构的DETR系列的主流单阶段检测算法进行分析总结。介绍各个算法的网络结构以及其研究进展,根据各个算法的结构归纳出其特点优势以及局限性,概括目标检测领域主要通用数据集与评价指标,分析各算法以及其改进方法的性能,讨论各算法在不同领域的应用现状,展望单阶段目标检测算法在未来的研究方向。

关键词：目标检测深度学习计算机视觉单阶段 YOLO DETR

来源：评论

学校读者我要写书评

暂无评论

面向深度学习的数据存储技术综述

引用

计算机学报 2025年

作者：贺巩山赵传磊蒋金虎张为华陈左宁复旦大学计算机科学技术学院复旦大学大数据研究院复旦大学并行处理研究所中国工程院

随着数据总量和计算能力的不断提升，以深度学习和大模型为代表的人工智能技术获得了迅速的发展，并成功应用于计算机视觉和自然语言处理等领域。然而，随着GPU等加速器运算速度的提高，数据存储已经成为了深度学习训练和推理的主要瓶... 详细信息

随着数据总量和计算能力的不断提升，以深度学习和大模型为代表的人工智能技术获得了迅速的发展，并成功应用于计算机视觉和自然语言处理等领域。然而，随着GPU等加速器运算速度的提高，数据存储已经成为了深度学习训练和推理的主要瓶颈之一，主要表现为：（1）数据集的规模快速增长，无法完全缓存在内存中；（2）若无额外处理，数据集主要由小文件组成。在每轮训练中，训练任务会随机读取训练集中的文件；（3）与GPU等加速器相比，存储设备的带宽增长缓慢，二者之间的差距正在不断变大；（4）模型参数和中间数据等模型状态非常大，经常超过了GPU等加速器的存储容量，出现了内存墙的问题；（5）为了实现容错，训练任务通常会执行检查点操作，保存最新的模型状态，但这引入了较高的性能开销。因此，面向人工智能（尤其是深度学习）的数据存储技术成为了热门的研究领域，受到了学术界和工业界的广泛关注。本文首先介绍了深度学习的相关背景，包括流程、模型以及分布式训练。其次，本文总结了深度学习的数据特点，包括数据集和模型的规模与类型，以及数据准备（包括数据加载和数据预处理）和模型计算（包括模型训练和模型推理）的数据访问模式。接着，本文分析了深度学习在数据加载、数据预处理以及模型计算阶段的数据存储需求，提出了面向深度学习的数据存储技术研究框架。然后，本文梳理了现有的相关工作，并根据针对的阶段不同将其分为3类：（1）面向数据加载的存储优化技术关注于如何加速数据加载阶段，包括数据集存储格式、数据集存储系统、数据集缓存系统以及数据加载器；（2）面向数据预处理的存储优化技术关注于如何加速数据预处理阶段，包括数据预处理流水线、分离式数据预处理、数据预处理缓存以及近存储数据预处理；（3）面向模型计算的存储优化技术关注于如何加速模型计算阶段，包括模型状态存储技术、模型训练容错技术、模型存储系统以及性能测试与分析工具。最后，本文讨论了现有工作存在的问题，提出了未来可能的研究方向。

关键词：深度学习数据存储技术数据加载优化数据预处理优化模型计算优化

来源：评论

学校读者我要写书评

暂无评论

基于Sentinel-1 SAR数据的冬小麦灌溉事件识别与频次估算

引用

农业工程学报 2025年第5期41卷 116-125页

作者：葛冰洋于砚宁孙佑涛杨姗姗张佳华张莎青岛大学计算机科学技术学院青岛266071 河北师范大学地理科学学院石家庄050024

精确识别冬小麦的灌溉事件并获取准确的灌溉频次对于合理利用水资源及精确估算灌溉用水量至关重要。站点观测记录可以提供准确的灌溉信息,但该类数据不易获取且能提供灌溉信息的观测站点较少,不能准确反映区域尺度的灌溉事件和频次信息... 详细信息

精确识别冬小麦的灌溉事件并获取准确的灌溉频次对于合理利用水资源及精确估算灌溉用水量至关重要。站点观测记录可以提供准确的灌溉信息,但该类数据不易获取且能提供灌溉信息的观测站点较少,不能准确反映区域尺度的灌溉事件和频次信息,区域尺度灌溉事件和频次的精确获取仍然具有一定的挑战性。该研究提出一种冬小麦灌溉事件识别和频次估算的方案,通过比较冬小麦分布(田块或像元)与其一定邻域范围内的Sentinel-1合成孔径雷达信号(synthetic aperture radar,SAR)垂直发射垂直接收(vertical-vertical,VV)单极化后向散射系数时间序列并结合逐日降水量时间序列识别冬小麦灌溉事件,进而估算灌溉频次。该研究使用该方案在3种不同的空间尺度(田块尺度、500 m与30 m像元尺度)分别识别山东省禹城市冬小麦的灌溉事件,利用观测的灌溉数据对3种空间尺度的灌溉事件识别结果进行验证,在灌溉事件识别精度最高的空间尺度估算灌溉频次,获取禹城市2018—2020年冬小麦灌溉频次的空间分布。结果表明,该研究提出的方法在田块尺度、500 m、30 m像元尺度识别灌溉事件的召回率分别为85.71%、78.57%、57.14%,F-score分别为70.59%、66.67%、50.00%,田块尺度应用的精度优于在500 m和30 m像元尺度应用的精度;基于田块尺度的冬小麦灌溉频次分布的“严格”的总体精度为69.75%,“宽松”的总体精度为90.24%;禹城市2018–2020年冬小麦的灌溉频次集中在1~3之间。该研究可为区域尺度的灌溉事件识别和频次估算提供可靠方法。

关键词：冬小麦灌溉 Sentinel-1 SAR 灌溉频次面向对象

来源：评论

学校读者我要写书评

暂无评论

有了人工智能，我们还需要学习吗？

引用

平安校园 2025年第3期 6-11页

作者：张军平复旦大学计算机科学技术学院

近两年，大模型和具身智能是人工智能两大热点方向。尤其是前者，进步非常快，人们已经开始惊叹于它的智能表达水平，与人类相比，快不相上下了。人类正在面临前所未有的、来自人工智能的全方位的竞争和替代风险。那么，人类是否还有“...

近两年，大模型和具身智能是人工智能两大热点方向。尤其是前者，进步非常快，人们已经开始惊叹于它的智能表达水平，与人类相比，快不相上下了。人类正在面临前所未有的、来自人工智能的全方位的竞争和替代风险。那么，人类是否还有“翻盘”的空间呢？机器会拥有智能吗？人工智能的局限性在哪？人类还需要学习吗？

关键词：

来源：评论

学校读者我要写书评

暂无评论

基于Prototype反向蒸馏的无监督多类别异常检测

引用

计算机科学 2025年第2期52卷 202-211页

作者：何立仁彭博池明旻复旦大学计算机科学技术学院上海200438 上海海洋大学信息学院上海201306

无监督异常检测因只需要正常样本进行训练而被广泛应用于工业质检等领域。直接将现有的单类别异常检测方法应用到多类别异常检测中会导致性能显著下降,其中基于知识蒸馏的异常检测方法将预训练的教师模型关于正常样本的特征知识蒸馏到... 详细信息

无监督异常检测因只需要正常样本进行训练而被广泛应用于工业质检等领域。直接将现有的单类别异常检测方法应用到多类别异常检测中会导致性能显著下降,其中基于知识蒸馏的异常检测方法将预训练的教师模型关于正常样本的特征知识蒸馏到学生模型中,然而它们在多类别异常检测中存在无法保证学生模型只学习到正常样本知识的问题。文中提出一种基于反向知识蒸馏框架的无监督多类别异常检测方法(Prototype based Reverse Distillation,PRD),其通过Multi-class Normal Prototype模块和Sparse Prototype Recall训练策略来学习教师模型关于多类别正常样本特征的Prototype,并以此来过滤学生模型的输入特征,从而确保学生模型只学习到教师模型关于正常样本的特征知识。PRD在多种工业异常检测数据集上性能均超越了现有的SOTA方法,定性、定量和消融实验验证了PRD整体框架和内部模块的有效性。

关键词：异常检测无监督学习 Prototype学习知识蒸馏预训练特征

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：