摘要：近年来,随着提示学习方法在自然语言处理领域被提出,其日益受到研究人员广泛关注,它通过将各类下游任务重构成预训练任务的形式,以参数高效和数据高效的方式将大规模预训练模型应用在各类自然语言相关下游任务中.其中以GPT系列为代表的模型通过提示学习在对话生成和多模态图文理解等任务上取得了巨大的成功.然而,这类模型及方法还不能解决视觉中的稠密任务.受此启发,一些研究人员逐渐将提示学习广泛应用到视觉相关的各类任务当中,如图像识别、目标检测、图像分割、领域适应、持续学习等.由于目前还没有提示学习应用在视觉相关领域中的综述,本文将对视觉单模态领域以及视觉语言多模态领域的提示学习方法展开全面论述和分析.作为回顾,我们首先简要介绍自然语言处理领域的预训练模型,并对提示学习的基本概念、下游应用形式以及提示模板类型进行阐述和分类.其次,我们分别介绍视觉单模态领域以及视觉语言多模态领域里提示学习方法适配的预训练模型和任务.再次,我们分别介绍视觉单模态领域以及视觉语言多模态领域的提示学习方法.在自然语言处理领域,提示学习方法以继承预训练形式实现多任务统一为主要目的;与此不同,在视觉相关领域,提示学习方法侧重于面向特定下游任务进行设计.为此,我们将从方法设计上进行简单分类,然后从应用任务角度详细介绍视觉单模态提示学习和视觉语言多模态提示学习方法.最后,我们对比分析了自然语言处理领域和视觉相关领域提示学习研究的进展,并对未来研究路线给出了展望。

摘要：冰壶六足机器人是北京2022年冬奥会组委会需求的唯一进入冬奥会赛场的机器人。开发该机器人的目的是借助北京冬奥会展示我国机器人的自主创新能力和水平。我们重视独特设计创意,通过模仿冰壶运动员投掷冰壶的“行为特征”来设计和开发冰壶六足机器人。冰壶六足机器人设计面临多项挑战,要解决模仿人投掷冰壶行为的六足机器人的构形综合、投掷冰壶任务链与机器人行为链关联特征建立、机器人击打冰壶行为规划等问题。研制的冰壶六足机器人在北京2022年冬奥会冰立方冰壶赛场上顺利完成击打冰壶表演。

摘要：本文提出了一种基于分形透射超表面的X波段小型化宽带高透射率平面透镜天线.单元设计依照天线-滤波-天线的设计思想,满足巴特沃斯响应,实现单元宽带和高透射率特性.利用分形和堆栈结构,进一步扩大天线带宽,同时实现单元小型化.基于上述设计思想,设计了两种同时具有小型化、宽带、高透射率特性的三层透射超表面单元,单元周期仅为4.5 mm(0.15λ_(0)).为验证单元特性,设计、仿真、加工、测试了基于两种设计单元的频率选择表面.仿真和测试结果表明,提出的两种频率选择表面带宽分别为40%和64%,与入射角在60°以内条件下的反射系数(S_(11))和透射系数(S21)的3 dB带宽对应.此外,为了实现透射相位在满足要求特性的尺寸可变范围内的相位360°覆盖,并进一步提高平面透镜天线效率,本文对第二种超表面结构进行改进,提出了一种基于七层透射超表面单元的平面透镜天线,并给出等效电路模型辅助验证.仿真结果表明,本文提出的平面透镜天线的法向最大增益为12.5 dBi,相比馈源高5.25 dB,且具有20%的相对带宽,口径效率高达78%,证明了该天线具有良好的辐射特性.

摘要：有向目标检测是计算机视觉中的一个研究热点,在遥感、场景文字等领域具有广泛应用.大长宽比、密集排列以及任意方向等问题是该领域目标检测面临的主要挑战.本文提出了一种基于单阶段检测方法的级联有向检测器R3DetGauss,采用一种从粗到细的渐进式回归方法快速准确地定位目标.考虑到级联检测器中存在的特征不对齐的问题,本文设计了一个特征精修模块(feature refinement module,FRM),能够获得更准确的特征,从而提高检测性能.FRM通过逐像素特征插值将当前精修后的边界框的位置信息重新编码到对应的特征点,进而实现特征的重构和对齐.本文还采用了具有尺度不变性的归一化高斯Wasserstein距离作为回归损失来进一步提高估计边界框的质量.此外,本文基于该距离提出了长宽比感知的自适应样本采样策略,提高了样本分配的质量.在多个公开的图像数据集上的大量实验结果表明,所提出的R3DetGauss检测器在多种数据集上均能够进一步提升精度,并最终达到当前先进检测水平.相关代码在国产深度学习Jittor框架、PyTorch和TensorFlow中均进行了开源发布.

摘要：中小企业贷款在促进技术创新、推动经济发展、改善民生和增加就业等方面有着重要的作用.为了满足商业银行的贷款评估标准,很多中小企业选择互相提供担保以获得授信,形成了结构复杂的担保网络.当借款方的贷款违约时,风险则沿着担保方向在网络中层层传播,由此造成的潜在系统性风险给国家的金融安全和监管带来了严峻的挑战.因此,迫切需要发展相应的方法从系统角度对复杂金融担保网络中的传染路径进行风险评估和预测.本文提出了一种基于深度学习的风险评估模型,该方法应用图神经网络和注意力机制直接从网络化的贷款行为数据中学习风险特征,无需依赖于金融领域专业知识的人工特征工程.实验结果表明,本文设计的方法在多数评价指标上均优于现有的7个对比的基准模型.在传染路径风险评估任务中,比基准方法在精确率和召回率的调和平均数(F1-score)方面平均提升了2%15%.在新路径风险评估任务中,比最好的基准方法平均提升了3.5%.结果表明了本文设计方法在传染路径风险评估中的有效性,可为监管部门和金融机构对担保网络进行系统性风险评估提供方法理论基础.