女同学

摘要： 有位班主任说,班里有个女同学最近情绪非常不对劲儿,问她,什么也不说,就是流泪,上课也流泪,下课也流泪,看到她时总在流泪,感觉一天到头她似乎都在流泪。同学们也不敢安慰,经常的情况是本来是出于好心,却不知道哪句话就惹恼了她,她会大发雷霆和同学吵起来。周围的同学谁也不敢跟她说话,经常见她很烦躁,把书翻得哗哗响。有几位老师试图和她交流,但是她不说话,就是哭,老师也没办法。偶尔听她说几句,大概意思就是她对不起周围的人,所有人都和她作对,她就是另类。

摘要： 新学年开学后不久,迎来了一年一度的教师节。上午第二节课是语文课,我夹着教科书来到教室,只见讲桌上放着几枝手工制作的美丽的百合花,我扬起花束微笑地问道:“这是谁的杰作啊?”在教室的第五排的最左边,羞羞答答地站起一位女同学,她是我班的小萱同学……一节课在轻松愉悦中结束了。思绪把我带到了一年前,那时,我担任的是三年级语文老师兼班主任,这是一个重新组建的班集体。开学不久,新的教科书纷纷到来,分发到同学们的手中。

摘要： 上中学的时候,有一个女同学和我很要好。我们两家住在同一条老街上,几乎门对门,挨得很近。她常来家里找我,一起复习功课,一起读诗,一起聊天,一起度过青春期最美好的日子。高二暑假过后,她来我家,我忽然发现她的腕子上戴着一块手表。

摘要： 不期而遇的“泪”,就是课堂众里千百度寻找的“她”一次下课,同事走到我面前不无惬意地对我说:“今天讲史铁生的《我与地坛》,也不知怎么的,讲着讲着,没想到把前排一位女同学的眼泪都给讲出来了。”我立马恭喜他:“这样的课我们都是求之不得,结果被你老弟给撞上了。”

摘要： 眼前的这个小常同学,每节课都让我自信心受挫,灰头土脸地下课离开教室。我按从前的经验对其谆谆教导过,也严厉地批评过,但他的课堂表现似乎在宣告这是我从教以来的首次“败下阵来”。正当我无技可施的时候,一节美术欣赏课彻底改变了他,也改变了我。美术课上同学们都在聚精会神地听讲,我转身在黑板上板书的间隙,班里突然一阵骚动,一个女同学站起来很愤怒地说:“老师,小常拽我桌洞里的东西。”

摘要： 每年志愿填报期间,考生和家长都心怀期待又心情复杂.于考生而言,这是一个关于未来的重要选择,他们总会担心专业选择的"好坏"会影响自身的发展和未来理想的实现.在纠结着如何填报志愿的万千考生中,有那么一群女同学,她们对工科相关专业怀着浓厚的学习兴趣,但总有一些声音告诉她们:"工科女生不好就业、工科女生工作压力大、工科相关专业会偏向男性……"这些纷繁的声音让原本对外部世界没有太多了解的她们在面对志愿填报时更加一筹莫展.那么,女生究竟该不该报考工科相关专业?工科相关专业女性同学的就业情况又是怎样的呢?笔者期望凭借自己的一些浅见能给大家带来一些思考.

摘要： 今天,天气晴朗,阳光明媚,我们一德实验学校迎来了一次核酸检测。老师让我们集合,于是,我们排着整齐的队伍去检测的地方。路上,我看见二年级正在检测。二年级检查的地方,小朋友看起来有点儿害怕。一个女同学用双手抱住自己。一个小男孩看见了,伸开双手保护她。

摘要： “老师,我想找您聊聊。”午休时间,班里的一个女同学找我谈心。其实两年前我就从校长那里知道了她,她曾经因情绪问题拒绝来学校。复学后,她来到我的班级里,所以我一直默默关注着她。我们来到学校操场,一边漫步,一边聊天。“老师,最近我有点emo了……”她顿了顿,“老师,你知道emo是什么意思吗?”同样的时间,同样的地点,同样的阳光下,不同的孩子,却说出相同的话——一连三天,都有学生跟我说:他们emo了……

摘要： 作为班主任,在陪伴班级学生成长的过程中,我愈发感觉适当而正确的异性交往对其顺利度过青春期以及今后的人生起着至关重要的作用。一、正确认识中学生异性交往[镜头1]羞涩的小清来找我,她谈道:“老师,我究竟应该怎样与异性交往啊?我从心里非常排斥男生,不敢也不愿意同男生讲话,而且我身边的女同学曾因早恋成绩下滑。妈妈反复教育我,不能早恋。前几天看到一件事,更难过:一名男青年在论坛里发帖求助,说他27岁了还未谈过恋爱,不是人长得丑,是从来就没和女生聊过天,导致现在无法和女生正常交往。他说他升入初中后,家里人就不让其与女孩子一起交流,渐渐地他就只喜欢一个人在家里看书,而且人也比较孤僻。”

摘要： 他,从一个仅有20多万人口的北方小城考进了北京的一所大学。开学的第一天,邻桌女同学问他的第一句话就是:“你从哪里来?”他觉得从小城来的人会被那些大城市的同学瞧不起,所以只是笑笑,没有回答。因为自卑,他很少和别人说话,一个学期结束后,甚至还有很多同学都不认识他。

摘要： 本发明属于车牌检测技术领域，涉及一种基于车牌间协同学习机制的车牌检测方法，以车牌检测数据集中车牌检测图片之间强一致性为基础，通过尺度间协同注意力机制学习不同车牌检测图片网络层输出特征之间的一致性，从而保证网络在特征提取阶段车牌特征之间的交互性，通过车牌特征之间的交互，实现共性特征之间共享。然后通过语义协同注意力机制学习不同车牌检测图片高层输出语义之间的一致性，从而保证网络能够凭借语义特征缩小车牌特征搜索范围，最终通过语义尺度协同学习机制融合网络语义上下文之间的关系，提升复杂场景车牌检测精度，不仅可以用来进行复杂场景下的车牌检测，还可用于复杂场景下的物体分割以及复杂场景下的物体检测。

摘要： 本发明属于机器学习领域，具体涉及结合协同学习策略的粒子群混合优化的特征选择算法，技术方案如下：1.用Fisher score与MIC混合的过滤式算法进行粗粒度特征选择，获取粗粒度特征子集；2.利用协同学习策略的自适应粒子群优化算法进行细粒度特征选择，获取最优特征子集。本发明有效地克服了现有技术中存在陷入局部最优和计算代价高昂的高维数据的问题。

摘要： 本发明涉及图像处理领域，尤其涉及一种基于深度多特征协同学习的图像修复方法，包括如下步骤：S1.将待修复图像输入一预设的图像特征编码器，通过深度神经网络编码对待修复图像进行有效特征提取，形成有效图像特征集；S2.所述有效图像特征集通过预设的图像解码器进行解码修复，通过局部和全局判别器后形成修复图像；其中，所述图像特征编码器由六个卷积层组成，其中三个浅层卷积层用于重新组织纹理特征，三个深层卷积层用于重新组织结构特征，得到结构特征集和纹理特征集；所述图像解码器包括一软门控双特征融合模块，用于融合上述结构特征和纹理特征，一双边传播特征聚合模块，用于均衡通道信息、上下文注意和特征空间之间的特征。本技术可以有效解决修复图像的伪影，使得修复后的图像具有详细的纹理和更好的图像外观。

摘要： 本发明公开了一种鲁棒特征空间共同学习的多标签图像分类方法，首先准备多标签数据；在特征空间和标签空间中引入特征选择和核范数的低秩表示方法从而构造鲁棒的标签和特征空间共同学习的多标签分类模型；利用鲁棒低秩投影矩阵V将q维标签空间映射到r维的标签空间中，从而V表示在标签空间中学习到的鲁棒低秩投影；引入增广拉格朗日乘数法对多标签分类模型的目标函数中的矩阵P和矩阵V进行求解；将多标签数据作为训练数据样本对提出的多标签分类模型进行训练，得到最优的鲁棒低秩系数矩阵P和鲁棒低秩投影矩阵V；基于最优的鲁棒低秩系数矩阵P和鲁棒低秩投影矩阵V完成多标签分类模型的训练，并利用该多标签分类模型进行多标签图像分类。

摘要： 本发明公开了一种基于复矩阵和多特征协同学习的遥感图像分类方法，通过在黎曼RNRS分类方法的基础上引入超像素，减少了散斑噪声和计算时间，并且通过基于超像素的协同学习方法，将复杂矩阵和多特征融合到NRS分类框架中。本发明能够充分利用矩阵信息和极化特征，尤其在异质区域能够进行精确分类，得到更好的分类结果。

摘要： 本发明公开了一种基于区块链的群组协同学习方法，包括：S1，基于区块链构建协同学习模型，划分训练集和测试集；S2，预设智能合约模块，设置初始模型参数、全局聚合轮数和初始迭代次数，划分局部训练组；S3，选取局部训练组中信用最高的节点为领导节点，其它为训练节点，所有领导节点组成全局聚合组；S4，训练节点本地训练得到本地训练模型，领导节点利用联邦学习聚合得到本地模型；S5，全局聚合组聚合本地模型得到全局模型；S6，领导节点验证本地模型，根据验证准确率和历史信用更新边缘节点的信用；S7，更新初始模型参数，判断i＜I，如果是执行i＝i+1返回S3。本发明不仅有效降低了无线通信延迟，还增强了协同学习效率。

摘要： 本发明公开了一种基于多核协同学习和深度信念网络的特征提取方法及系统，包括：获取人脸表情图像信息，将所述人脸表情图像信息输入到训练好的深度信念网络，得到人脸表情分类结果；其中，对于深度信念网络的训练过程包括：将三张同一个人脸不同角度的图像分别放入三个DBN网络，三个DBN网络根据视野的不同来提取同一个人脸图像的三个不同特征，将提取到的特征分别放入与DBN网络连接的分类器中，利用小于设定数量的已标记的样本和大于设定数量的未标记样本对多个分类器进行协同训练。本发明实现了利用大量未标记样本进行分类器训练的目的，降低了DBN对人工标记样本的依赖，提高了深度信念网络的实用性。

摘要： 本发明涉及深度学习技术领域，尤其涉及一种协同学习的带噪声标签图像分类方法，在保留了Co‑teaching方法协同训练的基础上，进行了两点改进，首先抛弃了交叉训练的方式，采取单向的数据交换方式，其次修改了数据接收方网络的损失函数，数据接收方和数据提供方的损失函数不同，结合对称交叉熵损失函数和标签平滑正则化，本发明通过单向数据交换对的小损失训练抑制了噪声标签对图像分类的影响，并通过对称交叉熵损失函数提高鲁棒性以及标签平滑正则化防止过拟合。

摘要： 本发明公开了一种基于保守激进协同学习的图像半监督语义分割方法，包括对于有标签数据采用传统监督训练方法训练图像语义分割模型，对于无标签数据采用保守激进协同学习方法进行模型的半监督训练；其中，所述保守激进协同学习方法同时训练两个分支。本发明中，实现了对大量无标签数据的有效、高效利用，基于“求同存异”的思想达到了“保守进化”和“激进探索”之间的协同，有助于智能系统环境感知模型训练的降本增效，具有较好的语义分割效果、鲁棒性和通用性，仅使用少量带标签数据即可达到有较高标注成本的监督方法的同等语义分割效果，能够部署并应用于各种智能系统，具有较高的应用价值。

摘要： 本发明是一种基于多图神经网络协同学习架构的显著性物体检测装置及方法。本发明涉及计算机视觉技术领域，确定显著性边缘特征与显著性区域特征，将显著性边缘特征与显著性区域特征分别通过图投影操作转化为边缘图节点与区域图节点；进行初始图交互，实现图间信息的传递；将交互之后的送入动态信息增强图卷积层，完成图节点信息的充分挖掘；将经过动态信息增强图卷积层处理之后的边缘图节点与区域图节点送入注意力感知融合模块，完成两种特征的互补融合，为显著性边缘特征与显著性区域特征的学习过程提供互补线索。本发明提升显著性物体检测性能，弥补传统卷积神经网络的关系学习能力不足的问题。