-
题名“新被结构”的原型语义分析及英文翻译初探
被引量：13
- 1
-
-
作者
冷慧
董广才
董鑫
-
机构
复旦大学外文学院
辽宁师范大学外国语学院
-
出处
《外国语文》
CSSCI
北大核心
2011年第5期84-88,共5页
-
文摘
汉语中的"新被结构"是人们对当下社会现象概念化的语言反映,它激活了人们"似是而非"图式。通过构式压制,"新被结构"的原型语义虽然承接了传统汉语被动结构所表示遭到不幸的典型语义属性,也通过视点转移,省略了施动者,但"新被结构"超越传统汉语被动结构的语义范畴,成为本身具有原型性的新语义范畴。本文还探讨了翻译"新被结构"的三种路径。
-
关键词
“新被结构”
原型语义分析
“似是而非”图式
-
Keywords
new passive structure
prototypical semantic analysis
the schema of manipulating ＂false situations to appear proper＂
-
分类号
H315.9
[语言文字—英语]
-
-
题名原型语义的模因理据——兼谈颜色词的功能语义
被引量：1
- 2
-
-
作者
张云
-
机构
东莞理工学院城市学院
-
出处
《外国语文》
CSSCI
北大核心
2011年第5期67-70,共4页
-
文摘
颜色词的语义一直是语言学家的研究对象。原型理论将颜色词的语义范畴化,基本划分出原型语义和功能语义,但"家族相似性"的特点只是笼统地概括了颜色词原型语义和功能语义的关系。模因论却能够从历史发展的角度把原型语义和不同的功能语义联系起来,大量的例证说明这一发展过程表现在三种复制和传播方式上:以复制信息内容为主的基因型、形式相同但信息内容发生变化的表现型和结合了两种方式的复合型。模因论对更好地认知原型语义提供了有效理据。
-
关键词
原型理论
原型语义
功能语义
模因论
基因型
表现型
复合型
-
Keywords
prototype meaning
functional meanings
prototype theory
memetics
genotype
phenotype
hybrid-type
-
分类号
H030
[语言文字—语言学]
-
-
题名粗粒度类别信息引导的精细化遥感地物分类
- 3
-
-
作者
陈禾
郭华哲
董珊
庄胤
-
机构
北京理工大学信息与电子学院
-
出处
《信号处理》
北大核心
2025年第8期1323-1331,共9页
-
基金
国家自然科学基金委员会叶企孙科学基金(U2341202)。
-
文摘
地物分类是遥感图像解译的重要任务之一,可以精细地分析地形地貌,在城市规划、灾害监测等领域发挥着十分重要的作用。合成孔径雷达(Synthetic Aperture Radar,SAR)图像由于全天时、全天候、分辨率高、覆盖面积大的特点在地物分类领域应用广泛。然而,SAR图像同时也有很多的限制:SAR图像由于独特的成像机制包含大量的阴影和噪声;高分辨率的SAR遥感图像地物分布复杂,目标尺度差异大,缺乏色彩信息,容易产生边界模糊和类别混淆的问题。对此,本文提出了粗粒度类别信息引导的精细化地物分类方法,利用多尺度语义特征和粗略类别信息引导来增强模型的有效语义特征提取能力和类别判别能力,提高模型的分割性能。针对SAR图像包含大量阴影和噪声的问题,利用残差神经网络(ResNet50)提取多尺度编码特征,通过跳跃连接的解码器和多尺度空洞卷积金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP)提取图像的多尺度语义特征,增强上下文建模能力,更好地保持边缘和结构信息,增强对噪声干扰的鲁棒性。针对SAR图像地物边界模糊和类别混淆的问题,设计了粗粒度类别信息引导模块,利用类空间特征和语义空间特征生成动态的语义原型,并进一步对语义空间特征进行加权,增强不同地物类别间的判别性。在WHU-OPT-SAR数据集的SAR图像上进行实验,结果表明该算法在保持边缘清晰度的同时提高了对复杂场景中语义结构的判别能力,特别对道路、水域等易混淆语义类别的分割精度显著提升。
-
关键词
合成孔径雷达
地物分类
多尺度特征
语义原型
-
Keywords
synthetic aperture radar
land cover classification
multi-scale features
semantic prototype
-
分类号
TP753
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于双语义双向对齐VAE的广义零样本学习
- 4
-
-
作者
史彩娟
石泽
闫巾玮
毕阳阳
-
机构
华北理工大学人工智能学院
河北省工业智能感知重点实验室
-
出处
《图学学报》
CSCD
北大核心
2023年第3期521-530,共10页
-
基金
华北理工大学杰出青年基金项目(JQ201715)
唐山市人才项目(A202110011)。
-
文摘
广义零样本学习(GZSL)旨在利用视觉特征和语义信息之间的关系来同时识别可见类和不可见类。现有的大部分方法使用生成模型生成不可见类的伪视觉特征,但一般采用单向对齐VAE且语义原型种类单一,导致不可见类的语义信息非常有限。因此,提出了一种基于双语义双向对齐变分自编码器的广义零样本学习模型,首先采用户定义的属性和词向量两种语义原型,基于双向对齐的VAE分别稳定地生成2种伪视觉特征来获取丰富的语义信息;然后,设计了特征融合模块对2种伪视觉特征进行有效融合,并去除其中的冗余信息,增强伪视觉特征表示;最后,采用分类正则化进一步增强伪视觉特征的类别独立性。在3个基准数据集上进行了大量实验,并与相关算法模型进行了比较,结果表明了该模型的有效性。
-
关键词
广义零样本学习
生成模型
双语义原型
双向对齐变分自编码器
特征融合增强
-
Keywords
generalized zero-shot learning
generative model
double semantic prototypes
bi-directionally aligned VAE
feature fusion and enhancement
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
