英汉语超切分特征对比研究

本文从音位学的超切分特征 :重音 ,声调 ,语调三个方面 ,对英汉两种语言进行对比研究 ,两者之间的差别主要源于不同的音韵体系。

基于特征图切分的轻量级卷积神经网络

卷积神经网络模型所需的存储容量和计算资源远超出移动和嵌入式设备的承载量,因此文中提出轻量级卷积神经网络架构(SFNet).SFNet架构引入切分模块的概念,通过将网络的输出特征图进行"切分"处理,每个特征图片段分别输送给不同大小的卷积核进行卷积运算,将运算得到的特征图拼接后由大小为1×1的卷积核进行通道融合.实验表明,相比目前通用的轻量级卷积神经网络,在卷积核数目及输入特征图通道数相同时,SFNet的参数和计算量更少,分类正确率更高.相比标准卷积,在网络复杂度大幅降低的情况下,切分模块的分类正确率持平甚至更高.

英语和汉语的超切分特征初探

超切分特征是指语音的区别性特征超出两个或更多的音位音段序列的限度,出现在音段层面之上的音位特征。如音节、单词和句子这些单位的音位学特征。笔者从这一角度分别论述了重音节奏型语言——英语和声调语言——汉语的音位学特征,指出了两种语言的异同。

意义与超切分因素

超切分特征与语义有着密切的关系。它不仅有助于澄清句法结构的模糊性,使语义清晰无误,而且在一定的情况下可以独立于句法结构影响话语的整个意义。

结合特征图切分的图像语义分割

目的基于全卷积神经网络的图像语义分割研究已成为该领域的主流研究方向。然而,在该网络框架中由于特征图的多次下采样使得图像分辨率逐渐下降,致使小目标丢失,边缘粗糙,语义分割结果较差。为解决或缓解该问题,提出一种基于特征图切分的图像语义分割方法。方法本文方法主要包含中间层特征图切分与相对应的特征提取两部分操作。特征图切分模块主要针对中间层特征图,将其切分成若干等份,同时将每一份上采样至原特征图大小,使每个切分区域的分辨率增大;然后,各个切分特征图通过参数共享的特征提取模块,该模块中的多尺度卷积与注意力机制,有效利用各切块的上下文信息与判别信息,使其更关注局部区域的小目标物体,提高小目标物体的判别力。进一步,再将提取的特征与网络原输出相融合,从而能够更高效地进行中间层特征复用,对小目标识别定位、分割边缘精细化以及网络语义判别力有明显改善。结果在两个城市道路数据集CamVid以及GATECH上进行验证实验,论证本文方法的有效性。在CamVid数据集上平均交并比达到66. 3%,在GATECH上平均交并比达到52. 6%。结论基于特征图切分的图像分割方法,更好地利用了图像的空间区域分布信息,增强了网络对于不同空间位置的语义类别判定能力以及小目标物体的关注度,提供更有效的上下文信息和全局信息,提高了网络对于小目标物体的判别能力,改善了网络整体分割性能。

英汉重音及节奏对比

对于母语为汉语的英语学习者来说．把英语说得准确并不是一件容易的事。本文针对超切分特征中的重音和节奏两方面，将英语和汉语进行了对比，并从中找出了一些异同及规律，以供英语学习者们参考。

DeepLabv3plus-IRCNet:小目标特征提取的图像语义分割

目的为了解决经典卷积神经网络无法满足图像中极小目标特征提取的准确性需求问题,本文基于Deep Labv3plus算法,在下采样过程中引入特征图切分模块,提出了Deep Labv3plus-IRCNet(IR为倒置残差(inverted residual,C为特征图切分(feature map cut))图像语义分割方法,支撑图像极小目标的特征提取。方法采用由普通卷积层和多个使用深度可分离卷积的倒置残差模块串联组成的深度卷积神经网络提取特征,当特征图分辨率降低到输入图像的1/16时,引入特征图切分模块,将各个切分特征图分别放大,通过参数共享的方式提取特征。然后,将每个输出的特征图进行对应位置拼接,与解码阶段放大到相同尺寸的特征图进行融合,提高模型对小目标物体特征的提取能力。结果本文方法引入特征图切分模块,提高了模型对小目标物体的关注,充分考虑了图像上下文信息,对多个尺度下的各个中间层特征进行融合,提高了图像分割精度。为验证方法的有效性,使用Cam Vid(Cambridge-driving labeled video database)数据集对提出的方法进行验证,平均交并比(mean intersection over union,m Io U)相对于Deep Labv3plus模型有所提升。验证结果表明了本文方法的有效性。结论本文方法充分考虑了图像分割中小目标物体的关注度,提出的Deep Labv3plus-IRCNet模型提升了图像分割精度。

基于改进DeepLabV3+的遥感影像语义分割方法

针对普通卷积神经网络在遥感图像分割中小目标识别度不高、分割精度低的问题,提出了一种结合特征图切分模块和注意力机制模块的遥感影像分割网络AFSM-Net.首先在编码阶段引入特征图切分模块,对每个切分的特征图进行放大,通过参数共享的方式进行特征提取;然后,将提取的特征与网络原输出图像进行融合;最后,在网络模型中引入注意力机制模块,使其更关注图像中有效的特征信息,忽略无关的背景信息,从而提高模型对小目标物体的特征提取能力.实验结果表明,所提方法的平均交并比达到86.42%,相比于DeepLabV3+模型提升了3.94个百分点.所提方法充分考虑图像分割中小目标的关注度,提升了遥感图像的分割精度.

中国高校学生英语语调习得现状与教学对策

本文总结了中国高校英语学习者的语调学习现状，描述了英语语调学习问题：调群切分错误、调核误置、调型运用失 误等功能性错误。针对以上问题，提出了高校英语语调教学训练对策：结合传统的通过听辨感知模仿操练校正语音的方法和语音 实验软件可视化教学。