现有基于预训练语言模型(PLM)的作文自动评分(AES)方法偏向于直接使用从PLM提取的全局语义特征表示作文的质量,却忽略了作文质量与更细粒度特征关联关系的问题。聚焦于中文AES研究,从多种文本角度分析和评估作文质量,提出利用图神经网络...现有基于预训练语言模型(PLM)的作文自动评分(AES)方法偏向于直接使用从PLM提取的全局语义特征表示作文的质量,却忽略了作文质量与更细粒度特征关联关系的问题。聚焦于中文AES研究,从多种文本角度分析和评估作文质量,提出利用图神经网络(GNN)对作文的多尺度特征进行联合学习的中文AES方法。首先,利用GNN分别获取作文在句子级别和段落级别的篇章特征;然后,将这些篇章特征与作文的全局语义特征进行联合特征学习,实现对作文更精准的评分;最后,构建一个中文AES数据集,为中文AES研究提供数据基础。在所构建的数据集上的实验结果表明,所提方法在6个作文主题上的平均二次加权Kappa(QWK)系数相较于R2-BERT(Bidirectional Encoder Representations from Transformers model with Regression and Ranking)提升了1.1个百分点,验证了在AES任务中进行多尺度特征联合学习的有效性。同时,消融实验结果进一步表明了不同尺度的作文特征对评分效果的贡献。为了证明小模型在特定任务场景下的优越性,与当前流行的通用大语言模型GPT-3.5-turbo和DeepSeek-V3进行了对比。结果表明,使用所提方法的BERT(Bidirectional Encoder Representations from Transformers)模型在6个作文主题上的平均QWK比GPT-3.5-turbo和DeepSeek-V3分别高出了65.8和45.3个百分点,验证了大语言模型(LLMs)在面向领域的篇章级作文评分任务中,因缺乏大规模有监督微调数据而表现不佳的观点。展开更多
针对瓷砖色差检测中传统方法依赖主观目测导致的结果不稳定问题,提出一种融合纹理与颜色特征的瓷砖色差量化与分级方法。构建包含纹理与颜色双标签的大规模瓷砖数据集TILE-TCR(TILE Texture and Color Recognition),以提升模型对纹理与...针对瓷砖色差检测中传统方法依赖主观目测导致的结果不稳定问题,提出一种融合纹理与颜色特征的瓷砖色差量化与分级方法。构建包含纹理与颜色双标签的大规模瓷砖数据集TILE-TCR(TILE Texture and Color Recognition),以提升模型对纹理与颜色特征的表征能力;同时,构建色差分级数据集TILE-CAG(TILE Chromatic Aberration Grade),用于支持色差分类任务。在此基础上,改进分形编码网络(FENet)的网络结构,即引入空间金字塔池化(SPP)与SE(Squeeze-and-Excitation)模块,从而实现多任务特征提取与关键区域聚焦。然后,通过聚类算法自适应确定色差分级阈值,从而实现色差分级的客观量化。实验结果表明,所提改进方法在瓷砖纹理分类任务中的准确率达到92.82%,较FENet提升了1.84个百分点;在色差分级任务中所提方法的准确率、精确率、召回率和F1分数均超过90%。此外,还搭建了模拟生产流水线,以完成模型的工业部署与实时性测试。而所提方法在常见规格瓷砖上的平均检测时间低于3 s,满足工业传送带在线检测的实时性要求。展开更多
文摘现有基于预训练语言模型(PLM)的作文自动评分(AES)方法偏向于直接使用从PLM提取的全局语义特征表示作文的质量,却忽略了作文质量与更细粒度特征关联关系的问题。聚焦于中文AES研究,从多种文本角度分析和评估作文质量,提出利用图神经网络(GNN)对作文的多尺度特征进行联合学习的中文AES方法。首先,利用GNN分别获取作文在句子级别和段落级别的篇章特征;然后,将这些篇章特征与作文的全局语义特征进行联合特征学习,实现对作文更精准的评分;最后,构建一个中文AES数据集,为中文AES研究提供数据基础。在所构建的数据集上的实验结果表明,所提方法在6个作文主题上的平均二次加权Kappa(QWK)系数相较于R2-BERT(Bidirectional Encoder Representations from Transformers model with Regression and Ranking)提升了1.1个百分点,验证了在AES任务中进行多尺度特征联合学习的有效性。同时,消融实验结果进一步表明了不同尺度的作文特征对评分效果的贡献。为了证明小模型在特定任务场景下的优越性,与当前流行的通用大语言模型GPT-3.5-turbo和DeepSeek-V3进行了对比。结果表明,使用所提方法的BERT(Bidirectional Encoder Representations from Transformers)模型在6个作文主题上的平均QWK比GPT-3.5-turbo和DeepSeek-V3分别高出了65.8和45.3个百分点,验证了大语言模型(LLMs)在面向领域的篇章级作文评分任务中,因缺乏大规模有监督微调数据而表现不佳的观点。
文摘针对瓷砖色差检测中传统方法依赖主观目测导致的结果不稳定问题,提出一种融合纹理与颜色特征的瓷砖色差量化与分级方法。构建包含纹理与颜色双标签的大规模瓷砖数据集TILE-TCR(TILE Texture and Color Recognition),以提升模型对纹理与颜色特征的表征能力;同时,构建色差分级数据集TILE-CAG(TILE Chromatic Aberration Grade),用于支持色差分类任务。在此基础上,改进分形编码网络(FENet)的网络结构,即引入空间金字塔池化(SPP)与SE(Squeeze-and-Excitation)模块,从而实现多任务特征提取与关键区域聚焦。然后,通过聚类算法自适应确定色差分级阈值,从而实现色差分级的客观量化。实验结果表明,所提改进方法在瓷砖纹理分类任务中的准确率达到92.82%,较FENet提升了1.84个百分点;在色差分级任务中所提方法的准确率、精确率、召回率和F1分数均超过90%。此外,还搭建了模拟生产流水线,以完成模型的工业部署与实时性测试。而所提方法在常见规格瓷砖上的平均检测时间低于3 s,满足工业传送带在线检测的实时性要求。
