一种基于ResNet与迁移学习的小样本图像识别方法

随着人工智能大数据的蓬勃发展,网络信息量呈井喷式增长,信息的精确性查询也面临着前所未有的挑战,而图像作为人对视觉感知的物质再现,时刻都有着大量的检索请求,但是传统图像目标识别标注主要是基于像素级别标注的监督学习,面对大规模高质量图像识别很难满足用户精确快速查询到目标内容。本文研究基于卷积神经网络CNN(Convolutional Neural Network)的动物分类模型,利用迁移学习,以预测训练网络的特征并结合CNN的混合分类模型。实验以CATS/DOGS作为数据集,使用PyTorch训练网络模型。实验研究表明,利用CNN+迁移学习算法,取得了96.43%的准确率,较传统方法有显著提高。对于小规模数据集,有效解决了需要人工提取特征的不可迁移性。

空间查询处理技术综述

空中索引是依据空间对象的位置和形状或空间对象间的某种关系,按照一定顺序排列的一种数据结构。不同方式组织起来的索引结构需采用不同的检索方法,因此空中索引在一定程度上决定了空间查询处理的效率。回顾了常用的空间查询处理方法,并对现有的空中索引结构及空间查询处理技术进行了系统分类,分别对欧式空间、道路网络及无线广播环境下用于空间查询处理的空中索引及查询算法进行了详细描述。

自然语言处理预训练模型的研究综述

近年来,深度学习技术被广泛应用于各个领域,基于深度学习的预处理模型将自然语言处理带入一个新时代。预训练模型的目标是如何使预训练好的模型处于良好的初始状态,在下游任务中达到更好的性能表现。对预训练技术及其发展历史进行介绍,并按照模型特点划分为基于概率统计的传统模型和基于深度学习的新式模型进行综述;简要分析传统预训练模型的特点及局限性,重点介绍基于深度学习的预训练模型,并针对它们在下游任务的表现进行对比评估;梳理出具有启发意义的新式预训练模型,简述这些模型的改进机制以及在下游任务中取得的性能提升;总结目前预训练的模型所面临的问题,并对后续发展趋势进行展望。