基于元学习的单源域泛化(single domain generalization,SDG)已成为解决领域偏移问题的有效技术之一。然而,源域和增强域的语义信息不一致以及域不变特征和域相关特征难以分离,使SDG模型难以实现良好的泛化性能。针对上述问题,提出了一...基于元学习的单源域泛化(single domain generalization,SDG)已成为解决领域偏移问题的有效技术之一。然而,源域和增强域的语义信息不一致以及域不变特征和域相关特征难以分离,使SDG模型难以实现良好的泛化性能。针对上述问题,提出了一种单源域泛化中基于域增强和特征对齐的元学习方案(meta-learning based on domain enhancement and feature alignment,MetaDefa)。利用背景替换和视觉损害技术为每一张图像生成多样且有效的增强图像,保证了源域和增强域之间的语义信息一致性;多通道特征对齐模块通过关注源域和增强域特征空间之间的相似目标区域和抑制非目标区域的特征表示充分挖掘图像信息,进而有效地提取充足的可迁移性知识。通过实验评估,MetaDefa在office-Caltech-10、office31和PACS数据集上分别取得了88.87%、73.06%和57.06%的精确度。结果表明,MetaDefa方法成功实现了源图像和增强图像之间的语义一致性和对域不变特征的充分提取,从而显著提升了单源域泛化模型的泛化性能。展开更多
为助推山东省农业农村现代化发展,从农业和农村两个维度构建指标体系,利用基于熵权的逼近理想解排序(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)法对2012-2022年山东省农业农村现代化发展水平进行测度。...为助推山东省农业农村现代化发展,从农业和农村两个维度构建指标体系,利用基于熵权的逼近理想解排序(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)法对2012-2022年山东省农业农村现代化发展水平进行测度。结果表明,2012-2022年山东省农业农村现代化发展水平整体上有所提升,但各地级市发展水平存在差距;山东省沿海城市农业农村现代化发展水平高于内陆地区;部分城市存在农业现代化和农村现代化发展不平衡的问题。展开更多
文摘基于元学习的单源域泛化(single domain generalization,SDG)已成为解决领域偏移问题的有效技术之一。然而,源域和增强域的语义信息不一致以及域不变特征和域相关特征难以分离,使SDG模型难以实现良好的泛化性能。针对上述问题,提出了一种单源域泛化中基于域增强和特征对齐的元学习方案(meta-learning based on domain enhancement and feature alignment,MetaDefa)。利用背景替换和视觉损害技术为每一张图像生成多样且有效的增强图像,保证了源域和增强域之间的语义信息一致性;多通道特征对齐模块通过关注源域和增强域特征空间之间的相似目标区域和抑制非目标区域的特征表示充分挖掘图像信息,进而有效地提取充足的可迁移性知识。通过实验评估,MetaDefa在office-Caltech-10、office31和PACS数据集上分别取得了88.87%、73.06%和57.06%的精确度。结果表明,MetaDefa方法成功实现了源图像和增强图像之间的语义一致性和对域不变特征的充分提取,从而显著提升了单源域泛化模型的泛化性能。
文摘为助推山东省农业农村现代化发展,从农业和农村两个维度构建指标体系,利用基于熵权的逼近理想解排序(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)法对2012-2022年山东省农业农村现代化发展水平进行测度。结果表明,2012-2022年山东省农业农村现代化发展水平整体上有所提升,但各地级市发展水平存在差距;山东省沿海城市农业农村现代化发展水平高于内陆地区;部分城市存在农业现代化和农村现代化发展不平衡的问题。
