基于改进匹配网络的单样本学习

当前深度学习是基于大量标注数据样本通过多层网络实现模型自动识别。然而,在很多特殊场景下,难以获取大量标注样本数据,小样本物体识别仍是深度学习下关键性的难题。针对这一问题,首先利用4层深度卷积神经网络(deep convolution neural network,DCNN)提取训练样本和测试样本的高层语义特征,然后基于改进的匹配网络分别采用双向LSTM和attLSTM算法对训练样本和测试样本深入提取更加关键和有用特征并进行编码,最后在平方欧氏距离上利用softmax非线性分类器对测试样本进行分类识别。实验通过Omniglot数据集对提出的改进模型进行测试,取得了非常好的效果。改进的模型即使在最复杂的20 way 1 shot情况下,依然能够达到93.2%的识别率,Vinyals的原创匹配网络模型在20 way 1 shot的情况下只能达到88.2%的识别率,与原创匹配网络模型相比,改进的模型在类别数更多而样本数较少的复杂场景下具有更好的识别效果。     

关于Diophantine方程x~3-5~3=2Dy~2的整数解

设D为奇素数,运用平方剩余、同余式、乐让德符号的性质等初等方法得出了Diophantine方程x3-53=2Dy2无x≠0(mod 5)的正整数解的两个充分条件.     

M2（Zp;s）的平方映射图（英文）

对于任意的一个素数p,该文研究了形式矩阵环M2(Zp;s)的平方映射图,并且完全刻画了M2(Zp;s)的平方映射图的分解式.     

一类可优化的平方伪布尔函数

该文给出一类平方伪布尔函数f(x)=xQx^T+cx^T+d,它的最小点与最小值可在线性时间内找到。其基本思想在于将Q和C所关联的图转换为由NOT,AND,OR,NAND,NOR,XOR和XNoR门组成的逻辑电路,后者的相容信号值对应伪布尔平方函数的最小点。这种方法建立了平方伪布尔函数与逻辑电路之间的结构关系。     

Ljunggren 定理的一个应用

运用Ljunggren定理解决了一个有关Smarandache平方余函数的Diophantine方程问题.     

一个推广的Simons不等式

本文将Simons不等式推广到常曲率黎曼流形中具有平行平均曲率的子流形的情形。     

在NA样本下一类双边截断型分布族参数的经验Bayes估计

在平方损失下,讨论一类双边截断型均匀分布族参数的经验贝叶斯(EB)估计的渐近性.按照贝叶斯(Bayes)方法,导出均匀分布族参数的 Bayes 估计,利用历史样本,采用概率密度函数的核估计方法,构造出边缘密度函数的估计,从而得到参数的EB估计,在一定的条件下,证明所得到的EB估计是渐近最优的,而且得到了其收敛速度,最后举例说明满足定理条件的参数的先验分布是存在的     

基于可调节判别器的领域适应

当前基于对抗学习的领域适应(DA)对目标样本的适应性较差,导致目标域的预测精确度较低,为此提出基于可调节判别器的领域适应(A-DADA)算法.首先,利用两个判别器分类概率的距离作为权重应用到目标域对抗训练损失函数中,旨在减少已对齐目标样本对抗训练的次数同时增加未对齐目标样本的对抗训练次数;其次,将平方熵损失函数作为最小...     

杭州科技企业孵化器发展现状

<正>⒈科技企业孵化器成为"创新创业"主阵地到2009年12月底,杭州单体1000平方米以上科技企业孵化器54家,孵化场地总面积148万平方米,认定的市级科技企业孵化器有44家,孵化场地总面积126.7万平方米,在孵企业2388家,累计孵化毕业企业602家,在     

四元数矩阵平方保持偏序关系的刻画

给出了四元数矩阵平方保持右(左)星序关系、星序关系的完整刻画,并得到了在减序条件下含EP矩阵的四元数矩阵平方的Lwner偏序、减序的刻画。