在这项研究中，我们旨在提供出于语言动机的解决方案，以解决缺乏无效词素的代表性，高生产力的衍生过程和土耳其语中的融合词素的问题，而在Boun Treebank中没有与普遍的依赖关系框架不同。为了解决这些问题，通过将某些引理并在UD框架中使用MISC（其他）选项卡来表示新的注释约定来表示派生。在基于LSTM的依赖性解析器上测试了重新注释的树库的代表性功能，并引入了船工具的更新版本。
translated by 谷歌翻译
端到端的深层训练模型将超过视频和图像上传统手工制作的压缩技术的性能。核心思想是学习一个非线性转换，以深度神经网络建模，将输入图像映射到潜在空间中，并与潜在分布的熵模型共同映射到潜在的空间中。解码器也被学习为可训练的深层网络，重建图像可以测量失真。这些方法强迫潜在遵循一些先前的分布。由于这些先验是通过在整个训练组中优化学习的，因此性能平均是最佳的。但是，它不能完全适合每个新实例，因此可以通过扩大位流损坏压缩性能。在本文中，我们提出了一种简单但有效的基于实例的参数化方法，以较小的成本减少此摊销差距。所提出的方法适用于任何端到端的压缩方法，将压缩比特率提高了1％，而不会对重建质量产生任何影响。
translated by 谷歌翻译
这项研究中我们的主要目标是提出一种基于转移学习的方法，用于从计算机断层扫描（CT）图像中检测。用于任务的转移学习模型是验证的X受感受模型。使用了模型结构和ImageNet上的预训练权重。通过128批量的大小和224x224、3个通道输入图像训练所得的修改模型，并从原始512x512，灰度图像转换。使用的数据集是A COV19-CT-DB。数据集中的标签包括1919年COVID-1919检测的COVID-19病例和非旋转19例。首先，使用数据集的验证分区以及精确召回和宏F1分数的准确性和损失来衡量所提出方法的性能。验证集中的最终宏F1得分超过了基线模型。
translated by 谷歌翻译