多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。     

聚合物材料热危险性分析

聚合物材料具有的易燃性或可燃性使其在实际应用中具有潜在的火灾危险性,正确分析评价聚合物材料的火灾危险性,对材料的安全使用和火灾预防与控制具有重要的作用。在综述文献的基础上,根据火灾危害的特征,对聚合物材料的引燃、热释放和火焰传播等热危险性进行了分析和总结,并提出了相应的预防对策。