一、Introduction（论文文献综述）
臧淑洁,胡思梦,王茜,王晓川,侯志远[1]（2022）在《儿科医生疫苗介绍行为及影响因素分析》文中提出目的了解儿科医生疫苗相关服务情况及其影响因素。方法 2020年11月—12月,采用方便抽样的方法,在杭州、长春、西安、重庆、京津冀、深圳和海口7个培训地点对289名儿科医生进行问卷调查,分析儿科医生在接诊适龄儿童时的疫苗介绍行为,并采用多因素有序logistic回归分析其影响因素。结果儿科医生在接诊适龄儿童时经常介绍、有时介绍、基本不介绍儿童疫苗的比例分别为25.3%（73/289）,50.2%（145/289）和24.5%（71/289）。不主动介绍相关疫苗的原因主要是没有相关要求和职责,占89.7%。虽然84.8%（245/289）的儿科医生过去一年收到过儿童家长咨询疫苗相关问题,但仅有30.1%（87/289）认为自己有足够的疫苗知识来回答家长咨询。多因素回归分析显示,高级职称组（OR=2.124,95%CI=1.169～3.858）更有可能介绍儿童疫苗;自身接种过流感疫苗（OR=2.237,95%CI=1.296～3.861）、接受过疫苗相关培训（OR=1.830,95%CI=1.112～3.012）、经常接受到家长咨询（OR=6.604,95%CI=3.042～14.338）、有充足的疫苗知识（OR=1.984,95%CI=1.152～3.418）、认为介绍疫苗是自身工作职责（OR=5.6,95%CI=3.083～10.172）的儿科医生介绍疫苗的频率更高。结论总是/经常介绍儿童相关疫苗的儿科医生较少,需增强儿科医生预防服务和群医学意识,提高儿科医生开展疫苗等预防咨询服务和健康教育的积极性。
段曹钢[2]（2022）在《例谈“自我介绍”的写作》文中认为从写作的角度来看,自我介绍可以被看作一种社会交往类实用文体。其目的是为推介自己、帮助他人认识自己,具有针对性、实用性、真实性、规范性等特点。自我介绍的写作,实际上包括"写"和"作"两个部分,即自我介绍的文本拟写和自我介绍时的动作情态设计（如面带微笑,双手奉送或交换个人名片等）。随着社会交往活动的日益频繁,自我介绍成为人们在社交场合经常运用的重要文体。
东方明,魏迟婴[3]（2021）在《命运如丝(长篇纪实连载)》文中进行了进一步梳理第一章 "悬办"这是萧顺德有生以来遭遇的最大的一桩蹊跷事:明明昨天中共上海市委组织部谭处长跟他谈话时说得很清楚的,让他去上海市人民政府公安局充实干部处领导班子,待到他今天拿着市委组织部的介绍信前往市局报到时,扬帆副局长跟他见了面,说了几句话,这事儿就不见影子了!要说扬帆,跟萧顺德也算得上半个熟人,皖南事变后扬帆担任新四军军法处长时,萧顺德就是军部警卫团的连指导员。尽管没有直接的工作关系,可是天天抬头不见低头见,
李怀源[4]（2021）在《《介绍一种事物》教学实录》文中进行了进一步梳理一、课前互动——自我介绍师:我想认识一下你们,你们能不能介绍介绍自己?（生介绍）刚才主持人介绍我的时候是这样介绍的吗?还介绍了什么?现在用自我介绍的方式,向大家表明你听懂了。生:我喜欢上语文课,我性格活泼开朗。生:我今年11岁,非常喜欢语文、数学、英语课,平时也比较开朗。
吴丽萍[5]（2021）在《面向外国学生的现代汉语“介绍他人”图式研究》文中研究说明
彭小宝[6]（2021）在《面向复杂场景的多类目标精细语义分割研究》文中研究表明近年来,随着计算机硬件资源大幅提升和深度学习技术快速发展,基于卷积神经网络的语义分割技术再次成为科研人员的研究热点,其广泛应用于自动驾驶、卫星遥感图像分析、医学图像分割、物体缺陷检测和精准农业等领域。基于图像语义分割的巨大应用价值,本文使用Deeplab V3++和CGCNN网络分别在普通图像（RGB）和高光谱图像（HSI）上进行精细语义分割研究。然而,深入研究发现Deeplab V3++和CGCNN网络存在相应问题:1)Deeplab V3++在获取图像高级语义特征过程中,需对图像进行下采样操作,而此操作易导致图像细节信息和小目标信息丢失;2)使用CGCNN网络分割高光谱图像时,减少训练数据,网络分割效果下降。针对Deeplab V3++网络和CGCNN网络存在的问题展开如下研究与改进:1.针对Deeplab V3++网络在下采样过程中容易丢失细节信息和小目标信息,在其主干网络上嵌入注意力机制模块。首先,采取手动获取注意力机制模块权重值（经验值）的方式探索注意力机制模块对原始网络的影响;其次,探索注意力机制模块间融合方式对原始网络的影响;最后,根据语义预测图的损失梯度更新注意力机制模块权重值。通过对PASCAL VOC2012公共分割数据集和实验室自制植物虫害数据集实验结果分析,本文提出的方法（嵌入注意力机制模块信息）在图像分割精度上高于原始网络。2.针对CGCNN网络分割高光谱图像时,减少高光普图像训练数据情况下,网络分割效果明显下降的问题,基于CGCNN网络结构,本文提出了双CGCNN门机制网络。首先,详细分析了CGCNN网络,并且在IP、KSC、SD、UP四个公共数据集上进行了实验;其次,构建了双CGCNN门机制网络,通过门机制对双网络输出特征图进行选择重构;最后,将训练数据集成倍数减少,分别在CGCNN网络和双CGCNN门机制网络上展开对比实验。对比实验结果,本文提出的双CGCNN门机制网络在四个高光谱图像上分割精度高于CGCNN网络。
宋小池[7]（2021）在《基于GNN的小样本分类算法研究》文中指出随着人工智能的发展,基于深度学习的众多领域不再过分依赖于大量数据,其能够利用以往的经验针对新的问题从少量的样本中进行有效的学习。在现实中,人们也将必然面临更多数据不足的问题,因此如何让机器像人类一样能够通过已有的学习经验快速从少量标签样本中进行有效学习实现分类,成为一个重要的研究方向。在近几年,小样本的分类算法层出不穷,从迁移网络、度量空间以及数据增强等方向的研究都有了很多突破性的进展。但是,基于GNN的小样本分类算法现在还仍旧处于不断探索的状态,如何在标签数据短缺的情况下将样本的特征充分利用,如何在避免过拟合的情况下提升网络特征提取的效果,以及如何得到更适合网络初始化的边标注等方面的研究尚待进一步深入。因此,本文从挖掘隐含特征、特征注意以及初始边权值优化之间的潜在关联三个方面,展开了一系列研究。本文的主要工作和特色如下:（1）本文提出了边权单步记忆约束网络（ESMC）,根据边权数据的隐含分布特征,设计新的图结构,并结合节点特征进行融合更新,实现有限样本数据下的特征丰富以及充分利用。（2）基于卷积块注意力机制,提出了通道注意力与空间注意力的不同集成方法,通过特征注意帮助模型提取样本中更具意义的特征。（3）本文提出自学习初始边权修改模块,通过将初始节点特征度量结果作为约束条件为网络寻找更合适的初始化边权参数,进一步提升模型的学习水平。最后,综合上述方法,本文在标准数据集上进行了各训练模式下的消融实验以及对比分析,得到的实验结果证明了本文方法的合理性以及创新性。
王智妍[8]（2021）在《我国花样滑冰解说员现状分析及发展对策研究》文中进行了进一步梳理
李晟[9]（2021）在《手部姿态与形状估计的数据驱动式方法研究》文中认为近年来,随着计算机大规模计算能力的提升和信息化时代的到来,人们对虚拟现实、增强现实、机器人操作等方面的需求提高,其中3D手部姿态估计发挥着重要作用。随着商用相机的普及和人工智能的快速发展,基于视觉的3D手部姿态与形状估计的研究越发深入,提出了许多手部姿态与形状估计方法,用于从图像输入中估计手部的3D姿态与形状。尽管这些方法取得了显着的进展,但在精度及姿态还原度方面还有待改善,尚需进行进一步的深入研究。本文对基于视觉的手部姿态与形状估计技术进行探索,并设计了两种方法,旨在为解决上述问题提供新的思路。本文完成的主要工作如下:（1）由于深度图像中包含的噪声和杂点较多,手指灵活度高,手指之间有很强的自相似和自遮挡,因此直接从深度输入中回归3D姿态是高度非线性的映射,且关节点的回归过程是不可控制的。针对上述问题,本文将高度非线性的任务分解为两个相对低维且可控的子任务。同时,本文设计了一种潜在特征空间映射方案,用于从深度图像中估计手部3D姿态。在几个公开数据集上,进行了互对比和自对比实验。互对比实验表明,将高度非线性的任务分解为两个相对低维且可控的子任务,其估计精度可达到当前最新方法的水平,表明本文设计的潜在特征空间映射方案是有效且可行的;自对比实验表明,采用以恒等残差模块为基础构建的潜在特征空间映射网络可以实现潜在特征空间之间的有效映射。此外,在少量训练数据集的情况下,同样可以达到良好的估计精度。（2）由于深度图像在野外环境比较受限,且仅估计手部关节点已经无法满足目前手部估计任务的需求;此外,从单幅RGB图像中估计3D手部姿态是一个不适定问题。为了更好地获取图像中手的有效信息,本文设计了一种基于单幅RGB图像的手部姿态和形状估计方法。该方法由两个级联网络构成,前者用以估计手部姿态,后者用于重建手部形状。为了不破坏像素之间的相对位置关系,本文采用以1D CNN为基础的姿态估计网络,完成了手部3D姿态估计的任务。本文设计了一种编码器-解码器结构,利用特征图像和3D手部姿态提供的信息恢复出手部模型的网格形状。本文根据不同数据集的形状标注特点,设计了两种手部形状估计方案,并对各个方案进行了实验分析和讨论。实验结果表明,本文的方法可以从单幅RGB图像中估计出较为准确的手部姿态和完整的手部形状,但仍然有一定的改进空间。
张桂诚[10]（2021）在《第一视角行为识别算法研究》文中进行了进一步梳理智能可穿戴设备在近年来得到了迅速发展,各种各样的可穿戴相机在许多领域被广泛应用,提供了大量第一视角拍摄的视频数据。针对第一视角视频中的行为识别也逐渐得到更多研究人员的关注。对第一视角视频进行数据分析,可以实现对佩戴者的实时监控和状态评估,在医疗健康、虚拟现实、智能家居等方面具有重要应用。第一视角为分析人与物的交互行为提供了全新的观察角度。在第一视角视频中,无法获知第一人称的姿势信息,而且其头部运动会使得拍摄的视频抖动较大,视点变化大,场景复杂多变,这些都为第一视角的行为识别带来了挑战。近年来,深度学习在计算机视觉研究领域中取得了很大进展。本文在深度学习技术的基础上,针对第一视角视频中短时细粒度的行为识别展开研究工作。针对视频采样序列中无法包含丰富的交互物体信息,本文提出了基于第一视角行为活动中操作对象的变化状态,进行分段采样的视频采样方法,以便网络提取到更多的操作对象信息。同时针对操作对象被遮挡,相似等问题,在用类激活图对操作对象进行定位的基础上,提出了邻域法和分组法两种关联特征提取方法。通过引入关联特征,提高操作对象的特征表达能力,从而提升网络对操作对象的识别能力。针对特征融合不充分,以及关联特征提取引入冗余信息的问题,设计了多特征融合网络,即邻域融合网络和分组融合网络,对特征进行充分融合,有效地利用了多特征的互补优势,提升网络行为识别性能。为了进一步提升模型对第一视角行为活动的识别性能和模型泛化能力,本文借鉴多任务学习的思想,对邻域融合网络和分组融合网络设计了多任务学习器。针对邻域融合网络,引入动作和操作对象标签作为辅助任务监督信号,提升网络对动作和操作对象的辨识能力,进而提升网络的行为识别性能。针对分组融合网络,设计了四组独立的分类器分别对多组特征进行学习,再将结果集成,提升网络整体识别能力。通过在标准的第一视角日常行为活动数据集上进行对比实验,验证了本文方法的有效性。
二、Introduction（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Introduction（论文提纲范文）
（1）儿科医生疫苗介绍行为及影响因素分析（论文提纲范文）
| 1 对象与方法 |
| 1.1 对象 |
| 1.2 方法 |
| 1.3 统计分析 |
| 2 结果 |
| 2.1 基本特征 |
| 2.2 儿科医生的疫苗介绍态度和行为 |
| 2.3 儿科医生疫苗介绍频率的单因素分析（表1) |
| 2.4儿科医生疫苗介绍频率的多因素分析（表2) |
| 3 讨论 |
（2）例谈“自我介绍”的写作（论文提纲范文）
| 一、自我介绍的基本内容 |
| 二、自我介绍写作方法 |
| （一）释义法。 |
| 1. 拆字释义法。 |
| 2. 直接释义法。 |
| （二）谐音法。 |
| （三）地望法。 |
| （四）蹭名法。 |
| （五）调侃法。 |
| （六）故事法。 |
| 三、自我介绍写作注意事项 |
| （一）真诚友善，平和自信。 |
| （二）有的放矢，彰显个性。 |
| （三）短小精悍，通俗易懂。 |
（3）命运如丝(长篇纪实连载)（论文提纲范文）
| 第一章 “悬办” |
| 第二章 失踪的“特费” |
| 第三章 寻找“青痣瘢” |
| 第四章 烈士遗物 |
| 第五章 醉春楼遇险 |
| 第六章 外国神父 |
| 第七章 黑衣人之谜 |
| 第八章 国药号老板 |
| 第九章 油锅捞秤砣 |
| 第十章 蹊跷的爆炸案 |
| 第十一章 三官镇惊变 |
| 第十二章 三友观夜谈 |
| 第十三章 曹家渡劫案 |
| 第十四章 镇长之死 |
| 第十五章 车行老板的隐秘 |
| 第十六章 狭路相逢 |
| 第十七章 “叛徒”的女儿 |
（4）《介绍一种事物》教学实录（论文提纲范文）
| 一、课前互动———自我介绍 |
| 二、做导游———介绍太阳或松鼠 |
| 三、做朋友———介绍喜欢的物品 |
| 四、做老师———介绍学习经验 |
（6）面向复杂场景的多类目标精细语义分割研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统图像分割研究现状 |
| 1.2.2 深度学习图像分割研究现状 |
| 1.3 论文主要工作 |
| 1.4 结构安排 |
| 第2章 图像分割技术介绍 |
| 2.1 传统图像分割技术介绍 |
| 2.1.1 基于阈值的图像分割 |
| 2.1.2 基于边缘的图像分割 |
| 2.1.3 基于区域的图像分割 |
| 2.1.4 基于特定理论的图像分割 |
| 2.2 卷积神经网络介绍 |
| 2.2.1 卷积神经网络基础知识 |
| 2.2.2 常见主干网络介绍 |
| 2.3 基于卷积神经网络的语义分割算法 |
| 2.3.1 下采样编码 |
| 2.3.2 上采样解码 |
| 2.3.3 网络的训练 |
| 2.3.4 常见语义分割网络 |
| 2.4 本章小结 |
| 第3章 基于注意力机制的Deeplab V3++图像分割 |
| 3.1 Deeplab V3++网络结构分析 |
| 3.1.1 Deeplab V3++下采样编码 |
| 3.1.2 Deeplab V3++上采样解码 |
| 3.2 嵌入注意力机制的Deeplab V3++网络结构分析 |
| 3.2.1 网络整体结构分析 |
| 3.2.2 被嵌入的注意力机制模块分析 |
| 3.3 实验分析 |
| 3.3.1 实验数据介绍 |
| 3.3.2 实验环境与参数设置 |
| 3.3.3 实验评价 |
| 3.3.4 实验策略 |
| 3.3.5 实验结果分析 |
| 3.4 本章小结 |
| 第4章 基于双CGCNN门机制网络的高光谱图像分割 |
| 4.1 高光谱图像分割概述 |
| 4.2 CGCNN网络结构分析 |
| 4.3 双CGCNN门机制网络结构分析 |
| 4.4 实验分析 |
| 4.4.1 实验数据介绍 |
| 4.4.2 实验环境与参数设置 |
| 4.4.3 实验评价 |
| 4.4.4 使用CGCNN网络实验 |
| 4.4.5 使用双CGCNN门机制网络实验 |
| 4.4.6 实验总结 |
| 4.5 本章小结 |
| 第5章 全文总结与展望 |
| 5.1 全文工作总结 |
| 5.2 后续工作与展望 |
| 参考文献 |
| 攻读学位期间的研究成果及所获荣誉 |
| 致谢 |
（7）基于GNN的小样本分类算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 小样本分类的研究现状 |
| 1.2.1 基于迁移学习的小样本分类 |
| 1.2.2 基于数据增强的小样本分类 |
| 1.2.3 基于度量学习的小样本分类 |
| 1.2.4 基于元学习的小样本分类 |
| 1.3 研究难点及本文工作 |
| 1.4 论文的章节安排 |
| 2 基于GNN的小样本分类算法相关理论 |
| 2.1 卷积网络与图结构的组建 |
| 2.1.1 卷积网络的介绍 |
| 2.1.2 GNN图结构组建原理 |
| 2.2 小样本分类模式及训练策略 |
| 2.2.1 N-way K-shot模式介绍 |
| 2.2.2 基于元学习的图网络训练任务构建 |
| 2.3 性能评价标准及数据库 |
| 2.3.1 小样本数据重新编码下的性能评价标准 |
| 2.3.2 小样本标准数据库介绍 |
| 2.4 本章小结 |
| 3 边权单步记忆约束网络 |
| 3.1 基于边权单步记忆约束的图结构构建与网络构建 |
| 3.1.1 图结构构建 |
| 3.1.2 网络构建 |
| 3.2 网络的损失函数 |
| 3.3 基于注意力的初始化节点特征提取 |
| 3.3.1 基于通道注意力的初始化节点特征提取 |
| 3.3.2 基于空间注意力的初始化节点特征提取 |
| 3.4 实验结果与分析 |
| 3.4.1 实验参数 |
| 3.4.2 边权单步记忆约束网络对分类性能的影响 |
| 3.4.3 初始化特征更新对分类性能的影响 |
| 3.5 本章小结 |
| 4 自学习的图显式边标注 |
| 4.1 GNN初始节点特征的匹配 |
| 4.1.1 L1、L2 距离 |
| 4.1.2 余弦相似度 |
| 4.1.3 相关系数 |
| 4.2 自学习的初始边权修改规则 |
| 4.3 实验结果与分析 |
| 4.3.1 实验参数 |
| 4.3.2 自学习显式边标注方法对分类性能的影响 |
| 4.3.3 对比实验结果分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（9）手部姿态与形状估计的数据驱动式方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于深度图像的姿态估计研究现状 |
| 1.2.2 基于RGB图像的姿态与形状的估计研究现状 |
| 1.3 本文的研究内容与结构安排 |
| 2 手部姿态与形状估计相关基础知识 |
| 2.1 三维数据表示方法简介 |
| 2.2 MANO手部网格模型 |
| 2.2.1 SMPL模型和MANO模型介绍 |
| 2.2.2 MANO模型网格生成过程介绍 |
| 2.3 手部姿态估计数据集与评价指标介绍 |
| 2.4 本章小结 |
| 3 基于姿态先验引导的深度手部姿态估计方法 |
| 3.1 手部姿态估计方法整体设计思路 |
| 3.2 潜在特征空间的映射和对齐 |
| 3.2.1 潜在特征空间映射网络设计 |
| 3.3 损失函数 |
| 3.3.1 潜在特征空间映射损失 |
| 3.4 实验评估与分析 |
| 3.4.1 网络训练细节 |
| 3.4.2 自比较实验 |
| 3.4.3 互比较试验 |
| 3.5 本章小结 |
| 4 基于单幅RGB图像的手部姿态与形状估计方法 |
| 4.1 手部姿态与形状估计方法设计思路 |
| 4.2 全监督手部姿态与形状生成方案 |
| 4.2.1 特征提取模块和姿态估计网络 |
| 4.2.2 形状估计网络 |
| 4.3 弱监督手部姿态与形状生成方案 |
| 4.3.1 基于MANO模型的形状估计方案 |
| 4.3.2 手指圆柱体模型与MANO手部模型结合的形状估计方案 |
| 4.4 损失函数 |
| 4.5 实验评估与分析 |
| 4.5.1 网络训练细节 |
| 4.5.2 全监督方案实验分析 |
| 4.5.3 弱监督方案实验分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）第一视角行为识别算法研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人体行为识别研究现状 |
| 1.2.2 第一视角行为识别研究现状 |
| 1.3 研究难点及本文工作 |
| 1.4 论文的章节安排 |
| 2 第一视角行为识别相关理论 |
| 2.1 深度学习基础理论 |
| 2.1.1 卷积神经网络 |
| 2.1.2 长短期记忆网络 |
| 2.1.3 卷积长短期记忆网络 |
| 2.2 基于类激活图的行为识别网络 |
| 2.2.1 双流网络模型 |
| 2.2.2 类激活图 |
| 2.3 数据集及模型性能评估标准 |
| 2.4 本章小结 |
| 3 基于周边关联对象的行为识别 |
| 3.1 基于操作对象变化状态的分段采样方法 |
| 3.2 周边关联对象特征提取 |
| 3.3 多特征融合网络模型 |
| 3.3.1 邻域融合策略 |
| 3.3.2 分组融合策略 |
| 3.4 实验结果与分析 |
| 3.4.1 实验参数 |
| 3.4.2 采样方法对识别性能的影响 |
| 3.4.3 周边关联特征对识别性能的影响 |
| 3.4.4 多特征融合对识别性能的影响 |
| 3.5 本章小结 |
| 4 基于多任务学习的行为识别 |
| 4.1 多任务学习 |
| 4.2 基于邻域融合的多任务学习网络构建 |
| 4.2.1 多标签与网络结构 |
| 4.2.2 多任务损失函数 |
| 4.3 基于分组融合的多任务学习网络构建 |
| 4.3.1 网络结构与损失函数 |
| 4.3.2 集成策略 |
| 4.4 实验结果与分析 |
| 4.4.1 实验参数 |
| 4.4.2 多任务学习对识别性能的影响 |
| 4.4.3 对比实验结果与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
四、Introduction（论文参考文献）
- [1]儿科医生疫苗介绍行为及影响因素分析[J]. 臧淑洁,胡思梦,王茜,王晓川,侯志远. 中国公共卫生, 2022(02)
- [2]例谈“自我介绍”的写作[J]. 段曹钢. 应用写作, 2022(01)
- [3]命运如丝(长篇纪实连载)[J]. 东方明,魏迟婴. 啄木鸟, 2021(07)
- [4]《介绍一种事物》教学实录[J]. 李怀源. 小学教学(语文版), 2021(Z1)
- [5]面向外国学生的现代汉语“介绍他人”图式研究[D]. 吴丽萍. 中央民族大学, 2021
- [6]面向复杂场景的多类目标精细语义分割研究[D]. 彭小宝. 江西科技师范大学, 2021(12)
- [7]基于GNN的小样本分类算法研究[D]. 宋小池. 西安理工大学, 2021(01)
- [8]我国花样滑冰解说员现状分析及发展对策研究[D]. 王智妍. 广州体育学院, 2021
- [9]手部姿态与形状估计的数据驱动式方法研究[D]. 李晟. 大连理工大学, 2021(01)
- [10]第一视角行为识别算法研究[D]. 张桂诚. 西安理工大学, 2021(01)