The advantages and disadvantages for learning English in the Network-based environment attract most researchers’concern nowadays.This study profiles college English teachers’beliefs about the networkbased language l...The advantages and disadvantages for learning English in the Network-based environment attract most researchers’concern nowadays.This study profiles college English teachers’beliefs about the networkbased language learning.The main finding is that teachers’beliefs about network-based language learning are heterogeneous and thus reflect a wide range in terms of the evolution of approaches and technology use.展开更多
目前层次型或深度模糊系统性能优异,但是模型复杂度较高;而基于蒸馏学习的轻量型TSK(Takagi-Sugeno-Kang)模糊分类器主要以单教师知识蒸馏为主,若教师模型表现不佳,则会影响蒸馏效果和模型的整体性能;此外,传统的多教师蒸馏通常使用无...目前层次型或深度模糊系统性能优异,但是模型复杂度较高;而基于蒸馏学习的轻量型TSK(Takagi-Sugeno-Kang)模糊分类器主要以单教师知识蒸馏为主,若教师模型表现不佳,则会影响蒸馏效果和模型的整体性能;此外,传统的多教师蒸馏通常使用无标签策略分配教师模型输出的权重,容易使低质量教师误导学生。对此,本文提出了一种基于多教师自适应知识蒸馏的TSK模糊分类器(TSK fuzzy classifier based on multi-teacher adaptive knowledge distillation,TSK-MTAKD),以多个具有不同神经表达能力的深度神经网络为教师模型,利用本文提出的多教师知识蒸馏框架从多个深度学习模型中提取隐藏知识,并传递给具有强大不确定处理能力的TSK模糊系统。同时设计自适应权重分配器,将教师模型的输出与真实标签做交叉熵处理,更接近真实值的输出将被赋予更高权重,提高了模型的鲁棒性与隐藏知识的有效性。在13个UCI数据集上的实验结果充分验证了TSK-MTAKD的优势。展开更多
为了解决工业场景中的图像异常检测和定位困难的问题,提出一种基于改进学生-教师网络的异常检测算法。首先,增加教师网络的深度以提升网络的性能,通过从合成的异常图像中学习教师网络特征训练去噪学生网络。其次,训练一个注意力引导的...为了解决工业场景中的图像异常检测和定位困难的问题,提出一种基于改进学生-教师网络的异常检测算法。首先,增加教师网络的深度以提升网络的性能,通过从合成的异常图像中学习教师网络特征训练去噪学生网络。其次,训练一个注意力引导的分割网络自适应地融合多层次的学生-教师特征,并在合成异常掩码的监督下进行训练。最后,在推理阶段加入剪枝操作,提高异常检测的准确性。在工业检测基准数据集上的实验结果表明,该算法具有较高的异常检测准确性,在图像级接受者操作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve,AUC)达到了99.04%,在像素级平均精度为75.83%,在实例级平均精度为77.95%。展开更多
文摘The advantages and disadvantages for learning English in the Network-based environment attract most researchers’concern nowadays.This study profiles college English teachers’beliefs about the networkbased language learning.The main finding is that teachers’beliefs about network-based language learning are heterogeneous and thus reflect a wide range in terms of the evolution of approaches and technology use.
文摘人体行为识别(Human Activity Recognition,HAR)是当前众多研究工作的基石,对于推动人机交互和智能数字化转型具有巨大潜力。由于目标域样本较难采集,现有方法在跨域识别方面表现不佳。为解决这一问题,提出一种新的WiFi使能跨域HAR方法,从WiFi信号中获取信道状态信息(Channel State Information,CSI)并转化为图像,在基于Wasserstein距离和梯度的生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)中引入双判别器,通过与源域样本和单目标域样本特征联合对抗,生成同时带有双域特征的虚拟样本。该方法还结合基于Mean Teacher的半监督学习设计识别分类(Recognition and Classification,RC)模块,通过对有标记样本与无标记样本分别构造损失函数,进行整体一致性损失的评估,实现对目标域样本的识别。实验结果证明了所提方法能够在减轻目标域样本采集压力的同时,实现较高的检测精度,在手势与动作的数据集上测试准确率分别达到92.71%和86.65%。
文摘目前层次型或深度模糊系统性能优异,但是模型复杂度较高;而基于蒸馏学习的轻量型TSK(Takagi-Sugeno-Kang)模糊分类器主要以单教师知识蒸馏为主,若教师模型表现不佳,则会影响蒸馏效果和模型的整体性能;此外,传统的多教师蒸馏通常使用无标签策略分配教师模型输出的权重,容易使低质量教师误导学生。对此,本文提出了一种基于多教师自适应知识蒸馏的TSK模糊分类器(TSK fuzzy classifier based on multi-teacher adaptive knowledge distillation,TSK-MTAKD),以多个具有不同神经表达能力的深度神经网络为教师模型,利用本文提出的多教师知识蒸馏框架从多个深度学习模型中提取隐藏知识,并传递给具有强大不确定处理能力的TSK模糊系统。同时设计自适应权重分配器,将教师模型的输出与真实标签做交叉熵处理,更接近真实值的输出将被赋予更高权重,提高了模型的鲁棒性与隐藏知识的有效性。在13个UCI数据集上的实验结果充分验证了TSK-MTAKD的优势。
文摘为了解决工业场景中的图像异常检测和定位困难的问题,提出一种基于改进学生-教师网络的异常检测算法。首先,增加教师网络的深度以提升网络的性能,通过从合成的异常图像中学习教师网络特征训练去噪学生网络。其次,训练一个注意力引导的分割网络自适应地融合多层次的学生-教师特征,并在合成异常掩码的监督下进行训练。最后,在推理阶段加入剪枝操作,提高异常检测的准确性。在工业检测基准数据集上的实验结果表明,该算法具有较高的异常检测准确性,在图像级接受者操作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve,AUC)达到了99.04%,在像素级平均精度为75.83%,在实例级平均精度为77.95%。
