基于迁移学习的植物病虫害细粒度分类

植物病虫害识别是农业生产中的一个重要问题。通过人工识别与传统计算视觉的方式在实际应用中有着一定的局限性,所以有必要研究基于卷积神经网络的植物病虫害分类算法。为了探讨卷积神经网络对于植物病虫害细粒度分类的应用,基于现有的部分植物病虫害数据图像数据,融合区分性区域注意力机制与通道间的注意力机制模型来评测此数据集,结果表明,融合注意力机制后相比于原始模型其分类性能有所提升,Top-1准确率提升了1.9%。为了进一步探究注意力机制对于卷积神经网络的影响,可视化了卷积神经网络关注的区域,注意力机制使得网络在细粒度分类任务中更关注于目标的区分性特征区域。

基于多头自注意力机制的实体识别研究

为了有效利用专业领域知识,对知识抽取展开研究,针对传统命名识别容易受上下文相对距离的影响、实体整体识别效果差的问题,提出了一种多头自注意力机制与条件随机场(CRF)结合的实体抽取模型。该模型基于Transformer架构,使用多头自注意力机制有效获取上下文信息,构建了多头自注意力机制与CRF结合的实体抽取改进模型,通过拼接多个自注意力机制,减少了对上下文中相对距离过多的约束并特征提取,实现了上下文全局信息的获取能力,提高了模型的泛化能力。最后,基于《人民日报》公开数据集,与其他机器学习模型进行了实验对比,验证了本方法的有效性,并在水下机器人任务作业数据的实体抽取中取得了较好的实验结果。

精心护航,促学生健康成长——谈高二442班分科后的班级管理

高二分科新组建的班级建设是一个全新的课题,全面研究学情和教情,融洽师生关系。编排座位,选班干部,制订班规,交流读书心得,交流学习经验,大胆创新,促进新学生更好地融入班级,使新班级形成合力,纯化学风,促进学生全面发展。家校联手,有利于学生健康成长。

基于GPT修正农业病虫害命名实体识别方法

命名实体识别是构建知识图谱的关键,在农业病虫害领域存在病虫害数据匮乏、实体结构复杂、实体类型识别困难等问题。针对于病虫害数据匮乏,本文采用网络爬虫技术以及扫描文本数据的方法,构建了玉米、小麦、水稻病虫害实体语料库。传统的命名实体识别方法无法解决农业病害实体结构复杂、实体类型识别困难等问题。本文提出一种基于GPT规则修正的LEBERT-BilSTM-CRF模型,LEBERT模型构建了字典树和Lexicon-Adapter结构,将原始字符进行扩充增加数据的丰富性,将经过BiLSTM-CRF的输出和GPT结果进行实体标签修正以此来提高准确率。在公开数据集训练得到合适的参数后,在自建文本语料库进行训练,通过条件随机场和GPT修正生成全局最优序列取得很好的识别效果,准确率为94.23%,召回率为92.34%,F1值为93.28%。