基于锚图分类的在线半监督跨模态哈希

近年来,哈希算法由于其存储成本小、检索速度快的特点,在大规模多媒体数据的高效跨模态检索中受到了广泛关注。现有的跨模态哈希算法大多是有监督和无监督方法,其中有监督方法通常能够获得更好的性能,但在实际应用中要求所有数据都被标记并不具有可行性。此外,这些方法大多数是离线方法,面对流数据的输入需要付出高额训练成本且十分低效。针对上述问题,提出了一种新的半监督跨模态哈希方法——在线半监督锚图跨模态哈希(Online Semi-supervised Anchor Graph Cross-modal Hashing, OSAGCH),构建了半监督锚图跨模态哈希模型,在只有部分数据有标签的情况下,利用正则化锚图预测数据标签,并通过子空间关系学习哈希函数,一步生成统一的哈希码,同时针对流数据输入的情况对该模型进行了在线化学习,使其能够处理流数据。在公共多模态数据集上进行了实验,结果表明所提方法的性能优于其他现有方法。

巧用锚图助力人物理解——以《桥》一课教学为例

锚图是以整体的、关联的方式组织和构建学习内容的结构要点图,可以将知识外化,在不同阶段发挥引导作用,指引学生在整合、联结、重组中逐步深化对人物形象的理解。借锚图理解人物形象,可以用锚图梳理文本脉络,初判人物形象;用锚图对比分析细节,理解人物形象;用锚图重组素材,升华人物形象。

互动式锚图在中职英语写作教学中的应用研究

针对中等职业学校学生的英语写作现状,在中职学前教育专业英语方向班的英语课堂中引入互动式锚图写作教学,培养学生的可视化写作思维,探究互动性锚图教学方式能否有效促进中等职业学校学生英语写作能力的提高。本研究介绍了锚图的基本概念及其主要构成部分,阐述了在英语写作教学中引入互动式锚图的教学策略,概述了互动式锚图写作教学实验的过程及结果。实验研究对象为中职学前教育专业学生,在研究过程中,对照班采用传统的大纲写作教学方式,实验班采用互动式锚图写作教学方法,通过写作测试、问卷访谈等手段搜集实验数据,通过IBM SPSS Statistics 22.0和平均分柱状图进行数据分析。实验结果表明,互动式锚图教学方式对提高中等职业学校学生英语写作水平具有积极的作用。

基于超像素锚图二重降维的高光谱聚类算法

针对传统谱聚类算法难以应用于大规模高光谱图像,以及现有的改进谱聚类算法对大规模高光谱图像的处理效果不佳的问题,为降低聚类数据的复杂度,以降低聚类过程的计算成本从而多方面提升聚类性能,提出一种基于超像素锚图二重降维的高光谱聚类算法。首先,对高光谱数据进行主成分分析(PCA)处理,并针对高光谱图像的区域特性对其进行基于超像素切割的降维;其次,通过构造锚图的思想对上一步所得数据进行锚点的选取,并构建邻接锚图来实现二重降维,从而进行谱聚类;同时,为去除算法运行中人为调节参数的环节,在构建锚图时采用一种去除高斯核的无核锚图构造方式以实现自动构图。在IndianPines数据集和Salinas数据集上的实验结果表明所提算法在保证可用性与低耗时的前提下可提高聚类的整体效果,从而验证了所提算法能提高聚类的质量与性能。

锚图在英语教学中的运用初探

锚图(Anchor Chart)也叫"要点图",它是在对知识进行抽丝剥茧分析的基础上,总结出的提纲、方法、策略与思路,并搭配简单的图文指导学生对知识进行迁移运用。实际教学中的锚图种类颇多,具有色彩鲜艳、图形可爱、层次分明等特点。不仅具有装饰作用,还可以用来"提醒、复习和确定方向"。笔者运用锚图进行了一个学期的英语教学,总结出锚图适用于初中英语教学的一些方法。

巧用“锚图”培养中学生英语写作能力的探索

培养中学生英语书面表达能力,提高他们的写作技巧是素质教育的要求和课程改革的关键。如何有效提高中学生英语写作能力是每位教师关注的重点课题。我们在写作教学中灵活运用"锚图",尝试使用知识可视化教学方法,在培养学生写作能力上取得了一定成效。

结构锚图助力儿童写作新路径探微

锚图又称结构图或要点图,已经被运用到发达国家各学科的教学中。在习作教学中引进结构锚图,可以提高儿童习作表达的逻辑性,提升儿童习作表达的童趣性,助力儿童跃入全脑学习的“快车道”,拉动儿童显性与隐性思维的螺旋生长。结构锚图助力儿童写作新路径的基本程序为:借助结构锚图,确定文章结构;依据结构锚图,精选文章素材;对照结构锚图,抓住写作重心;丰富结构锚图,打磨作文细节,让儿童的习作变得更高效有趣。

基于超像素锚层收敛选点的高光谱图像聚类算法

针对传统高光谱图像聚类算法难以有效处理数据量快速增长的高光谱图像的问题,提出基于超像素锚层收敛选点的高光谱聚类算法。采用SuperPCA对原始数据进行基于超像素切割的降维;利用K-means选取具有代表性的锚点,构建基于锚点的邻接矩阵;通过无核邻近分配的方法构建相似图,避免对热核参数的调整;最后进行谱聚类分析获得聚类结果。在Indian Pines和Pavia Centre高光谱数据集进行仿真实验,结果表明该算法获得的分类图所含错分点更少,地物分布更加平滑,与当前高光谱图像聚类算法相比具有更优的聚类效果。

二分k-means锚点提取的快速谱聚类

光谱聚类(spectral clustering,SC)由于在无监督学习中的有效性而受到越来越多的关注。然而其计算复杂度高,不适用于处理大规模数据。近年来提出了许多基于锚点图方法来加速大规模光谱聚类,然而这些方法选取的锚点通常不能很好地体现原始数据的信息,从而导致聚类性能下降。为克服这些缺陷,提出了一种二分k-means锚点提取的快速谱聚类算法(fast spectral clustering algorithm based on anchor point extraction with bisecting kmeans,FCAPBK)。该方法利用二分k-means从原始数据中选取一些具有代表性的锚点,构建基于锚点的多层无核相似图;然后通过锚点与样本间的相似关系构造层次二部图。最后在5个基准数据集上分别进行实验验证,结果表明FCAPBK方法能够在较短的时间内获得良好的聚类性能。

思维导图导学法在3D打印体验课中的有效应用

近年来,教育部先后发布了《综合实践活动指导纲要》《普通高中课程方案(2017版)》等文件,明确提出要在中小学开设3D打印技术有关的课程,建设3D打印创新实验室。在3D打印体验课程中,思维导图导学法可以灵活地应用于3D打印体验课的各种课型,可以更好地引导学生掌握关键知识迭代法,有助于培养学生的设计思维,提高创新能力。

煤矸石砼中钢筋粘结锚固的试验研究

在文献[2]的基础上,对煤矸石砼的粘结应力分布,箍筋及煤矸石砼保护层对粘结应力的影响进行了与普通砼的对比试验.进一步研究砼保护层厚度及钢筋锚固长度对粘结强度的影响,给出了保护层与粘结应力、砼强度与临界锚长的经验公式.

一种面向高光谱图像分类的模糊谱聚类算法

提出一种基于模糊相似性度量的谱聚类算法,将其应用于高光谱遥感图像分类,利用模糊相似性度量获取锚点和样本点与锚点之间的模糊相似度,得到相似矩阵,并利用谱聚类进行图像分类。实验结果表明,所提聚类算法能够成功应用于高光谱遥感图像分类,且模糊相似性度量的引入获得了鲁棒性更好的相似矩阵,与现有方法相比,所提算法具有更好的高光谱遥感图像分类结果。

基于鲁棒前景选择的显著性检测

显著性检测是指自动提取未知场景中符合人类视觉习惯的兴趣目标的方法。为了进一步提高检测的准确性,该文提出了利用鲁棒前景种子的流形排序进行显著性检测的算法。首先利用角点检测和边缘连接算法得到两个不同的凸包,用它们的交集初步确立目标区域的大致位置;然后利用凸包外边缘作为标准对凸包内的超像素进行相似度检测,将与大部分外边缘相似的超像素去除,得到更准确的目标样本作为前景种子;利用锚点图构建新的图结构表示数据节点之间的关系;接着通过基于前景和背景种子的流形排序算法对图像所有区域进行排序,并得到两种不同的显著性检测图;最后借助代价函数对显著性图进行优化,得到最终的显著性检测结果。经实验表明,与几种经典算法对比,该文方法可以进一步提高显著性算法的精确度和召回率。

基于锚点的无监督跨模态哈希算法

基于图的无监督跨模态哈希学习具有存储空间小、检索效率高等优点,受到学术界和工业界的广泛关注,已成为跨模态检索不可或缺的工具之一.然而,图构造的高计算复杂度阻碍其应用于大规模多模态应用.主要尝试解决基于图的无监督跨模态哈希学习面临的两个重要挑战:1)在无监督跨模态哈希学习中如何高效地构建图?2)如何解决跨模态哈希学习中的离散值优化问题?针对这两个问题,分别提出基于锚点图的跨模态学习和可微分哈希层.具体地,首先从训练集中随机地选择若干图文对作为锚点集,利用该锚点集作为中介计算每批数据的图矩阵,以该图矩阵指导跨模态哈希学习,从而能极大地降低空间与时间开销;其次,提出的可微分哈希层可在网络前向传播时直接由二值编码计算,在反向传播时亦可产生梯度进行网络更新,而无需连续值松弛,从而具有更好的哈希编码效果;最后,引入跨模态排序损失,使得在训练过程中考虑排序结果,从而提升跨模态检索正确率.通过在3个通用数据集上与10种跨模态哈希算法进行对比,验证了提出算法的有效性.

基于相关熵的快速聚类算法

针对目前大规模真实数据聚类中存在的效率低和鲁棒性差的问题,提出了一种基于相关熵的快速聚类算法(FCC)。该算法主要分为以下两步:首先对原始数据进行k均值操作,得到粗略的样本类别,作为第二步的标签矩阵;其次利用原始数据与其锚点构建的锚点图对应的拉普拉斯矩阵作为图约束来探寻数据间的内在结构,从而得到样本的最终类别。整个聚类过程在相关熵准则而不是传统的欧氏距离框架下进行,可有效抑制真实数据中大量存在的非线性和非高斯分布的噪声对聚类鲁棒性的影响。为了验证提出算法的性能,使用5种典型的算法作为对比算法与提出的算法一起在4个大规模真实数据集上运行,结果表明,提出的算法可在大部分情况下提高聚类精度,在WebKB、TDT2和Cora数据集上分别提高8.58%,6.86%和1.86%,同时提高聚类效率几倍甚至几十倍;为了验证本算法的鲁棒性,分别加入不同程度的随机噪声和泊松噪声到WebKB和Cora上,得到8个含噪数据集,所有算法均在相同条件下运行于这些噪声数据集上,结果表明,相对于其他对比算法,提出的算法能够保持最优的聚类鲁棒性。