期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于单元整合的小学数学高效课堂构建探索 被引量:1
1
作者 郑远帆 《新课程教学(电子版)》 2023年第21期35-37,共3页
当前在我国教育改革的背景下,教师要让学生学习更多的知识,并提高知识的实践运用能力。而对小学数学课程来说,“单元整合”模式可以将教材的内容更加系统地呈现。数学教师要认真统计归纳单元中的知识点,同时运用更直接、更有趣的教学方... 当前在我国教育改革的背景下,教师要让学生学习更多的知识,并提高知识的实践运用能力。而对小学数学课程来说,“单元整合”模式可以将教材的内容更加系统地呈现。数学教师要认真统计归纳单元中的知识点,同时运用更直接、更有趣的教学方法,增强学生对数学的兴趣,降低数学的整体难度,帮助小学生高效掌握数学知识点。 展开更多
关键词 小学数学 单元整合模式 教学方法
下载PDF
基于深度学习的图像全景分割综述
2
作者 毕阳阳 郑远帆 +2 位作者 史彩娟 张昆 刘健 《计算机科学与探索》 CSCD 北大核心 2023年第11期2605-2619,共15页
随着深度学习与图像分割的不断发展,图像全景分割已经成为计算机视觉领域的一个研究热点,许多图像全景分割方法被提出。综述了基于深度学习的图像全景分割研究方法,首先介绍了图像全景分割国内外的研究现状,对已有图像全景分割的方法,... 随着深度学习与图像分割的不断发展,图像全景分割已经成为计算机视觉领域的一个研究热点,许多图像全景分割方法被提出。综述了基于深度学习的图像全景分割研究方法,首先介绍了图像全景分割国内外的研究现状,对已有图像全景分割的方法,根据网络架构优化任务的不同进行分类阐述,主要包括特征提取优化的图像全景分割、子任务分割优化的图像全景分割、子任务融合优化的图像全景分割、其他图像全景分割;其次简单介绍图像全景分割中常用的MS COCO、PASCAL VOC、Cityscapes、ADE20K和Mapillary Vistas五个数据集以及全景质量(PQ)和解析覆盖(PC)两种评价准则;然后对典型图像全景分割方法在不同数据集上进行了性能比较;接着列举了图像全景分割在医学、自动驾驶、无人机、农业、畜牧业、军事等领域的应用;最后指出了现有方法在复杂场景应用、实时性、冲突等方面存在的不足与挑战,并探讨了基于简单统一框架的图像全景分割、实时的高质量图像全景分割、复杂应用场景下图像全景分割等未来研究方向。 展开更多
关键词 图像全景分割 深度学习 特征提取 子任务分割 子任务融合
下载PDF
新课程背景下的小学数学游戏化教学实践研究 被引量:4
3
作者 郑远帆 《数学学习与研究》 2020年第4期114-114,共1页
随着新课程改革的深入,小学数学所面临的挑战也逐步增多,只有同时做到改进教学模式、优化教学方法,才能使培养学生全面发展的目标成为现实,教师应明确学生在课堂上所处的地位,鼓励学生自主展开学习,使其所具有的主观能动性得到充分发挥... 随着新课程改革的深入,小学数学所面临的挑战也逐步增多,只有同时做到改进教学模式、优化教学方法,才能使培养学生全面发展的目标成为现实,教师应明确学生在课堂上所处的地位,鼓励学生自主展开学习,使其所具有的主观能动性得到充分发挥.本文以新课程改革为切入点,结合小学数学教学的实际情况,提出了对游戏化教学加以应用的策略,例如,对课堂时间进行合理规划、利用游戏引导学生展开自主探究等,供小学教师参考. 展开更多
关键词 新课程 小学数学 游戏化教学 实践研究
下载PDF
单域泛化X-ray乳腺肿瘤检测
4
作者 史彩娟 郑远帆 +2 位作者 任弼娟 孔凡跃 段昌钰 《中国图象图形学报》 CSCD 北大核心 2024年第3期725-740,共16页
目的 由于乳腺肿瘤病灶的隐蔽性强且极易转移,目前采用医学辅助诊断(computer-aided diagnosis,CAD)来尽早地发现肿瘤并诊断。然而,医学图像数据量少且标注昂贵,导致全监督场景下的基于深度学习的X-ray乳腺肿瘤检测方法的性能非常有限,... 目的 由于乳腺肿瘤病灶的隐蔽性强且极易转移,目前采用医学辅助诊断(computer-aided diagnosis,CAD)来尽早地发现肿瘤并诊断。然而,医学图像数据量少且标注昂贵,导致全监督场景下的基于深度学习的X-ray乳腺肿瘤检测方法的性能非常有限,且模型泛化能力弱;此外,噪声产生的域偏移(domain shift)也降低了不同环境下肿瘤检测的性能。针对上述挑战,提出一种单域泛化X-ray乳腺肿瘤检测方法。方法 提出了一种单域泛化模型(single-domain generalization model, SDGM)进行X-ray乳腺肿瘤检测,采用ResNet-50(residual network-50)作为主干特征提取网络,设计了域特征增强模块(domain feature enhancement module, DFEM)来有效融合上采样与下采样中的全局信息以抑制噪声,然后在检测头处设计了实例泛化模块(instance generalization module,IGM),对每个实例的类别语义信息进行正则化与白化处理来提升模型的泛化性能,通过学习少量的有标注医学图像对不可预见的噪声图像进行迁移学习,缓解因有标记医学图像匮乏而导致的泛化能力弱的问题;同时避免模型的冗余训练,进一步增强模型在不同环境下的鲁棒性。结果 为了验证所提模型SDGM的域内泛化性能,将INbreast的单域X-ray图像作为训练集,多种域偏移的图像为测试集,实验结果表明在域内泛化场景下SDGM性能优于FCOS(fully convolutional one-stage object detection)、Cascade-RCNN、FoveaBox、ATSS、TOOD(task-aligned one-stage object detection)、PVTv2-Transformer等方法,泛化性能比baseline方法的mAP(mean average precision)提升了9.7%;在训练数据量更小的前提下,单域泛化性能优于INbreast全监督场景下的baseline方法的性能。此外,为了进一步验证SDGM在不同数据集的域间的泛化性能,将CBIS-DDSM(curated breast imaging subset of DDSM)数据集作为训练集而多种域偏移的INbreast数据集作为测试集进行实验,所提方法 SDGM比baseline方法提升了5.8%。结论 所提单域泛化模型SDGM能够有效缓解域偏移对模型性能的影响,并能够针对医学数据域未知且数量少的特点进行泛化,能够较灵活地迁移至临床实践中未知域下的噪声场景。 展开更多
关键词 X-ray乳腺肿瘤检测 单域泛化 域偏移 正则化与白化 特征增强
原文传递
马虎的代价
5
作者 郑远帆 《快乐语文(高年级版)》 2009年第11期62-63,共2页
“丁零零……”放学的铃声回响在校园内.老师开始布置作业了。我环视了一下四周,大家的样子可谓“千姿百态”:有人埋头苦抄.标点符号也不错过:
关键词 标点符号 老师 校园
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部