基于视觉-语言预训练模型的零样本迁移学习方法综述

近年来随着人工智能(AI)技术在计算机视觉与自然语言处理等单模态领域表现出愈发优异的性能,多模态学习的重要性和必要性逐渐展现出来,其中基于视觉-语言预训练模型的零样本迁移(ZST)方法得到了国内外研究者的广泛关注。得益于预训练模型强大的泛化性能,使用视觉-语言预训练模型不仅能提高零样本识别任务的准确率,而且能够解决部分传统方法无法解决的零样本下游任务问题。对基于视觉-语言预训练模型的ZST方法进行概述,首先介绍了零样本学习(FSL)的传统方法,并对其主要形式加以总结;然后阐述了基于视觉-语言预训练模型的ZST和FSL的区别及其可以解决的新任务;其次介绍了基于视觉-语言预训练模型的ZST方法在样本识别、目标检测、语义分割、跨模态生成等下游任务中的应用情况;最后对现有的基于视觉-语言预训练模型的ZST方法存在的问题进行分析并对未来的研究方向进行展望。

关于学习迁移几个问题的思考

在学习迁移的众多分类中,根据认知成分参与迁移的程度进行分类在教学中具有重要意义.复杂的迁移主要包括三个阶段,即目标任务的表征、寻找原型、应用源知识.改善实验设计有助于证明一般迁移的存在.

解运输问题的Flood方法

文献[3]证明运输问题可化为分配问题,并把解分配问题的 Flood 方法推广于运输问题,但没有给出次数最小盖零直线集合的具体方法。本文给这种直线集一个表上作业法,使解法程序化,比之用网络的算法简单。其运算大约为 O(N^2L),N=nm。