写作示例

摘要： 【中考热点作家·美文抢鲜看】只为那纯真的信仰米丽宏小时候,特喜欢《红星歌》:"红星闪闪放光彩,红星灿灿暖胸怀,红星是咱工农的心,党的光辉照万代……"我们哼着唱着,觉得自己好威武、好神气。但"党"是谁?为什么党会发光?这个遥远而模糊的问题,真让人想不透。

摘要： 多数中学生阅读积累不多，教师要让学生积累作文材料，以便在议论文写作中发挥最大作用。本文介绍的一材多用的方法就是为了达到这个目的。

摘要： 一、作文题阅读下面的材料，根据要求写一篇不少于800字的文章。我们不能脱离传统；但为了走向未来，我们不能停留于传统。

摘要： 一、作文题清以“那也是一种色彩”为题，写一篇不少于800字的文章，文体不限，诗歌除外。二、审题立意这是一篇命题作文，对命题作文的审题，要善于把握题目中的关键词。“那也是一种色彩”是一个判断句，主语是“那”，宾语是“色彩”。

摘要： 【新题预测】如果没有土地，谁能欣赏到“日出江花红胜火，春来江水绿如蓝”的自然画卷？如果没有水流，谁能实现“春种一粒栗，秋收万颗子”的美好梦想？

摘要： 【文题】阅读下面的文字,根据要求作文。李嘉诚曾说,最幸福的事,是老两口开一家小店,打烊后在灯下一起数钱。而托尔斯泰则说：＂欲望越小,人生就越幸福＂。这些物质或精神的富有者为我们指出了人生真正的幸福之道。

摘要： 【文题展示】rn阅读下面一段话，根据要求写一篇不少于800字的文章。rn人人都很渴望幸福，人人都在感受幸福。有时候幸福很遥远，有时候却近在咫尺。奉献是幸福，给予是幸福，获得是幸福，享受是幸福……有时候一句祝福的话语，一个理解的眼神都会给予别人幸福。幸福是心灵的感受，还是生命的体验。那么，你对“幸福”的理解又是什么呢？要求：自选文体，自拟标题；不要脱离材料内容及含意的范围作文，不要套作，不得抄袭。

摘要： 【文题展示】rn阅读下面的材料．按要求作文。rn在或漫长或短暂的生命旅程中，总有一些东西是值得我们坚守的，比如理想、梦想、做人的原则、底线、心中的真善美……也总有一些东西是需要我们改变的，比如视角、态度、方法……

摘要： 【文题展示】阅读下面的文字，根据要求作文。台湾漫画家蔡志忠说：“如果拿橘子来比喻人生，一种橘子大而酸，一种橘子小而甜，一些人拿到大的就会抱怨酸，拿到甜的又会抱怨小。而我拿到了小橘子会庆幸它是甜的，拿到酸橘子会感谢它是大的。”请全面理解材料，可以选择一个侧面或一个角度构思作文，自主确定立意，请以“橘子人生”为题写一篇800字以上的议论文。

摘要： 本发明提供用于自动评估写作的基于示例的错误检测系统、用于该系统的方法和用于该系统的错误检测设备，其通过因特网或其它语言传输介质收集包括各种文体风格在内的示例语句，并且构建基于示例的数据库，其中，当写成的输入语句被输入时，输入语句被以语素为单位分解，从单独的语素产生按照预定窗口大小结合的语素序列，接着使用基于示例的数据库中示出的语素序列的频度来分析各个语素序列，由此检测每个语素中的错误并提出对错误的修改。

摘要： 本发明公开了一种基于自动示例选择的端到端多示例学习方法，包括以下具体步骤：（一）、对多示例数据进行采集，并将数据分成若干个多示例数据包，多示例数据包包括若干个示例，且多示例数据包设置为由若干个示例组合成的一组示例集合，多示例数据包上具有标签，示例设置为一个多维向量；（二）、搭建深度多示例网络，深度多示例网络包括示例处理层、示例选择层和分类层；（三）、每个多示例数据包通过深度多示例网络进行处理，通过前向或反向传播进行训练，训练包括深度多示例网络训练和深度多示例网络测试，相比现有技术，本发明可以通过示例选择层自动地选择重要的示例，一方面使得整个深度网络的优化过程可以端到端地进行训练。

摘要： 本发明公开了一种基于在线示例分类器精化的多示例检测网络及其训练方法，包括：确定训练图片集，并选择每张训练图片中的多个候选区域；获得所述训练图片集中训练图片的卷积特征图，并得到各候选区域的卷积特征；将各候选区域的卷积特征输入到全连接层中，得到各候选区域的特征向量；构建一个基准示例分类器，并构建多个精化示例分类器，通过更新每个候选区域得分的权重进行在线示例分类器精化；合并整个网络中的损失函数，训练端到端的多示例检测网络。本发明将多示例分类器训练和分类器精化整合到一起，训练速度快识别准确率高，仅依赖图像标签的数据集，不需要人工对目标示例的位置和标签进行标注，适用于弱监督的目标检测问题。

摘要： 本发明公开一种基于判别性示例选择多示例学习的恐怖视频识别方法。该方法包括：提取训练视频集中每个视频的视频镜头，针对每个视频镜头选取情感代表帧和情感突变帧表示该镜头；提取对每个镜头的音频和视频特征作为视频示例，组成视频示例集合；从所述视频示例集合中选择出判别性视频示例；计算训练视频集合中每个视频示例与所述判别性视频示例之间的相似性距离，得到特征向量集合；将待识别视频的特征向量与训练视频集合对应的特征向量集合进行稀疏重构，根据重构误差识别视频的类别。本发明提出了一种新的基于判别性示例选择的多示例学习模型应用到恐怖电影场景识别中，该技术具有重要的学术意义和社会意义，并具有广阔的应用前景。

摘要： 本发明提供用于自动评估写作的基于示例的错误检测系统、用于该系统的方法和用于该系统的错误检测设备，其通过因特网或其它语言传输介质收集包括各种文体风格在内的示例语句，并且构建基于示例的数据库，其中，当写成的输入语句被输入时，输入语句被以语素为单位分解，从单独的语素产生按照预定窗口大小结合的语素序列，接着使用基于示例的数据库中示出的语素序列的频度来分析各个语素序列，由此检测每个语素中的错误并提出对错误的修改。

摘要： 公开了能够使用交叉示例来学习嵌入空间的技术，其中嵌入空间中的查询与电子资源之间的距离提供电子资源与查询的相关性的指示。各种实现方式包括使用交叉示例Softmax技术来学习嵌入空间。各种实现方式包括使用交叉示例负挖掘来学习嵌入空间。公开了能够针对查询基于将查询向量(例如，查询的嵌入空间表示)与预存储的候选电子资源向量集(例如，候选电子资源集的嵌入空间表示)进行比较来确定电子资源的附加或替代的技术。

摘要： 本发明公开了一种基于自动示例选择的端到端多示例学习方法，包括以下具体步骤：（一）、对多示例数据进行采集，并将数据分成若干个多示例数据包，多示例数据包包括若干个示例，且多示例数据包设置为由若干个示例组合成的一组示例集合，多示例数据包上具有标签，示例设置为一个多维向量；（二）、搭建深度多示例网络，深度多示例网络包括示例处理层、示例选择层和分类层；（三）、每个多示例数据包通过深度多示例网络进行处理，通过前向或反向传播进行训练，训练包括深度多示例网络训练和深度多示例网络测试，相比现有技术，本发明可以通过示例选择层自动地选择重要的示例，一方面使得整个深度网络的优化过程可以端到端地进行训练。

摘要： 使用与示例相似图像相关联的示例近似深度映射图对输入图像生成深度映射图。一种图像转换器接收要转换为第一三维图像的二维图像。该图像转换器基于与第二三维图像相关联的近似深度映射图计算特征至深度映射函数。该图像转换器将该特征至深度映射函数应用于该二维图像的多个像素以对该多个像素中的每一个确定深度值并且基于该二维图像的多个像素的深度值生成第一三维图像。

摘要： 本发明公开了一种基于在线示例分类器精化的多示例检测网络及其训练方法，包括：确定训练图片集，并选择每张训练图片中的多个候选区域；获得所述训练图片集中训练图片的卷积特征图，并得到各候选区域的卷积特征；将各候选区域的卷积特征输入到全连接层中，得到各候选区域的特征向量；构建一个基准示例分类器，并构建多个精化示例分类器，通过更新每个候选区域得分的权重进行在线示例分类器精化；合并整个网络中的损失函数，训练端到端的多示例检测网络。本发明将多示例分类器训练和分类器精化整合到一起，训练速度快识别准确率高，仅依赖图像标签的数据集，不需要人工对目标示例的位置和标签进行标注，适用于弱监督的目标检测问题。

摘要： 一种图像转换器接收要转换为第一三维图像的二维图像。该图像转换器基于与第二三维图像相关联的近似深度映射图计算特征至深度映射函数。该图像转换器将该特征至深度映射函数应用于该二维图像的多个像素以对该多个像素中的每一个确定深度值并且基于该二维图像的多个像素的深度值生成第一三维图像。