一种结合通道注意的图像描述方法

当前的图像描述模型在提取图像关键信息时精度不高,导致生成的描述语句不准确。为了更加细致和全面地学习图像主体区域特征,在“Squeeze-and-Excitation-block”的基础上进行改进,设计了通道注意(Channel-Att)模块,通过调整图像特征在通道方向的权重,进而提高图像特征的表达能力,提出了一种结合通道注意的图像描述方法。用VGG16卷积神经网络获取图像特征,通过Channel-Att模块,建立图像特征通道之间的依赖关系,得到具有通道维度权重信息的图像特征图,用掩膜卷积神经网络(masked convolutions neural network,MCNN)对获取特征进行解码,最终得到图像描述语句。在MS COCO 2014数据集上进行实验,结果显示该方法与传统注意力机制相比,具有更好的图像描述性能,在Bleu_1、METEOR、ROUGE、CIDEr、SPICE指标上的得分均有提高。

美国K-12整合性STEM教育框架:理念、课程路径与支持系统

美国整合性STEM教育框架基于STEM理念,阐明对整合性STEM的共识性理解,首次提供了涵盖K-12阶段的整合性STEM课程资源,绘制了STEM课程路线图,提供在课堂层次实施STEM的课程路线,为整合STEM方法的系统转型提供支持,以数据驱动STEM教学与评价,制定有效的STEM课程项目和STEM教师专业发展框架,推动整合性STEM课程实施与教学方法改革,培养学生运用STEM知识去解决真实问题,提高创新、批判性思维和解决问题的能力,培养21世纪技能。美国整合性STEM教育框架的课程理念、课程路径与课程支持系统,对我国在基础教育阶段推进STEM教育改革,开发全学段的STEM教育整体框架和课程路线图可以提供有益借鉴,包括基于标准的整合性STEM课程框架,赋能STEM教师的整合性教学实践和推动整合性STEM教育的系统性转变。