幼儿深度学习的内涵、特征及支持策略

幼儿深度学习的内涵、特征及支持策略

田波琼杨晓萍

近年来，随着人们对学前教育的重视，学前教育实践领域出现了从关注儿童“学什么”到关注儿童“怎么学”的转向。越来越多的研究者将“怎么学”视为优化儿童的学习效能及提高学前教育质量的手段。为了顺应国际学前教育发展趋势，2012年，教育部颁布了《3-6岁儿童学习与发展指南》，倡导“幼儿园要重视幼儿的学习品质，要充分尊重和保护幼儿的好奇心和学习兴趣，帮助幼儿逐步养成积极主动、认真专注、不怕困难、敢于探究和尝试、乐于想象和创造等良好的学习品质”。良好的学习品质可为幼儿的后继学习和终身发展奠定良好的基础。深度学习作为一种良好的学习方式，是培养幼儿良好学习品质的重要途径，也是提高幼儿学习质量和促进学前教育活动转型的关键抓手。本文在探讨幼儿深度学习内涵和特征的基础上，提出了支持幼儿深度学习的策略，以提升幼儿的学习品质。

一、幼儿深度学习的内涵

深度学习源于对学习的深入理解和探究。深度学习理论认为：学习既是一种认知过程，又是根植于社会文化和现实生活的建构过程。深度学习（Deep Learning）也叫做深层学习，源于20 世纪50 年代中期，Ference Marton 和Roger Saljo对学生的阅读过程及方式开展的一系列实验研究，并在1976年发表的《学习的本质区别：结果和过程》中，根据学习者获取和加工信息的方式将学习者分为深度水平加工者和浅层水平加工者，最早提出了深度学习和浅层学习（Surface Learning）两个相对的概念。深度学习理论逐渐被广泛地应用到教育教学、社会工作等实践活动中。实际上，1956年，布卢姆将认知领域目标分为“知识、领会、运用、分析、综合及评价”六个层次，其中就已经包含了学习分层的意蕴。浅层学习的认知水平只停留在前两个层次，倾向于对知识的简单描述、记忆或复制。而深度学习的认知水平处于后四个较高级的认知层次，更注重对知识的理解和应用。随着研究的深入，人们对学习的认识也日益深刻，目前研究者们就深度学习达成了以下共识：深度理解概念的重要性、注重学与教、创设学习环境、学习者在先前知识基础上建构知识的重要性以及反思的重要性。基于此，幼儿深度学习是指幼儿在与周围环境互动的过程中，通过自己特有的学习方式，积极主动地学习新的知识和经验，探索周围的社会环境、自然环境和物质世界，并将这些知识和经验纳入原有的认知结构和迁移到新的情境中，以发展其高阶思维和问题解决能力的一种学习。相对于学习内容脱离生活实际，学习态度被动、学习方式倾向于机械记忆的浅层学习，深度学习是一种主动的、批判性的学习方式，也是一种有意义的学习。但是，幼儿深度学习不是指

向深奥的学习内容，不是超越儿童认知能力的高难度内容的学习，不等同于“小学化”倾向，它更多强调的是幼儿在学习过程中是否发生深层次思考，是否有真正高水平的认知活动参与。

二、幼儿深度学习的特征

幼儿深度学习作为一种基于问题解决和时间探究的高级学习，与浅层学习相比，在学习性质、学习目标、学习过程、学习态度和学习效果等方面都有明显差异。其特点主要表现在以下五个方面。

从学习性质看，幼儿深度学习是一种复杂的、有意义的高級学习。深度学习是一种有意义的理解性学习，是幼儿对未知世界的探索和对已有经验和知识的运用，是一种运用高阶思维能力（运用、分析、综合及评价）对复杂知识和经验的理解，需要对事物和信息进行深加工，而非简单描述和复制，它是一种较为复杂的高级学习。

从学习目标看，幼儿深度学习旨在培养幼儿高阶认知能力。幼儿深度学习注重新旧知识之间的联系，通过引发幼儿产生认知冲突，在同化和顺应相互作用下，实现知识和经验的主动建构和迁移，并能够举一反三，用所学知识和习得的经验解决现实生活中的真实问题，促进幼儿高阶认知能力的形成。幼儿所面对和需要解决的问题的复杂程度，在一定意义上反映了幼儿学习的深度。

从学习过程看，幼儿深度学习注重对知识的理解和批判。在深度学习过程中，幼儿会联系生活实际，基于原有的知识和经验加深对新知识的理解，在新旧经验的双向相互作用过程中，实现对新知识的意义建构，而不是在被动的灌输过程中对知识进行机械记忆。幼儿在对知识理解的基础上，对原有经验的改造和重组，同时也会批判性地看待新知识并进行深层次的思考，而不是对知识一味地全盘接受，从而加深对新知识和复杂概念的理解。

从学习态度看，幼儿深度学习是一种高投入的主动性学习。主动意味着幼儿是学习活动的主体，需要幼儿积极地、主动地、创造性地诠释周围的物质世界。正如泰勒所言“学习是通过学生的主动行为而发生的，学生的学习并不取决于教师做了什么，而取决于他自己做了什么。”深度学习需要激发幼儿的学习兴趣，基于学习热情、学习内驱力和积极状态的保持，让幼儿的学习更加主动、专注和投入而非被动机械的学习。

从学习效果看，幼儿深度学习可以促进高阶思维能力发展。深度学习能激发幼儿积极、主动地习得新的知识和技能，形成比较复杂的认知结构，促进学习结果发生质变和高阶思维能力的形成和发展。与此同时，深度学习还有助于提高幼儿思维品质和学习品质。

总之，幼儿深度学习属于高级阶段的学习，追求主动学习、知识建构、知识迁移和提高思维品质是其旨趣所在。幼儿深度学习技能的掌握，可以促进幼儿对所学知识和经验的深入理解，形成问题意识和探究精神，逐步掌握解决问题的思路与方法。这种高质量的学习品质可以改变幼儿的存在状态和发展方式。需要强调的是，幼儿深度学习与浅层学习不是绝对对立的，深度学习是建立在浅层学习的基础上的。两种学习都是需要的，但幼儿学习不能仅仅停留在浅层。

三、促进幼儿深度学习的支持策略

（一）创设支持性环境，引导幼儿积极参与和体验

《幼儿园教育指导纲要（试行）》明确指出：“环境是重要的教育资源，应通过环境的创设和利用，有效地促进幼儿的发展”以及“幼儿园的空间、设施、活动材料和常规要求等有利于引发、支持幼儿的游戏和各种探索活动。”环境与经验和学习之间有密切关系，支持性环境能为幼儿提供更多积极体验、自主探究、协商合作、思考和创造的空间，进而引发深度学习，促进幼儿认知、语言和社会性等全面发展。首先，教师要营造一个民主和谐、平等自由的心理环境，鼓励幼儿积极体验、自由选择、大胆探究。其次，重视环境的启迪生成。“空间是具有‘内涵的，包含着丰富的教育性信息和互动经验，并能对构建式的学习产生刺激。”教师要把握环境创设的精髓，不应过多关注环境形式上的完美和结构的呈现而忽视环境的启迪性，要把环境创设视为一个动态性的过程，引导幼儿积极参与，重视幼儿创造性的发挥，给予幼儿生成个性化成果的机会和空间。再次，教师要注重个体差异，让环境变成会说话的老师，让幼儿在与其互动的过程中“活起来”。教师须多观察幼儿在各区域内的活动实效，鼓励孩子积极体验，观察幼儿的喜好、困难，分析影响孩子深度学习探索的因素，进而进行差异指导。

（二）尊重幼儿兴趣，激发幼儿主动学习

兴趣是幼儿学习的动力，是幼儿深度学习的前提，它能激发幼儿主动学习和探究的欲望，促进其自主发展。在教育活动中，教师要尊重和激发幼儿的学习兴趣，引导幼儿主动深入地学习。一方面，教师要尊重幼儿的兴趣爱好，给予幼儿选择的权利，让他们体验到主动学习的乐趣，诱发其内在的学习动机。但值得注意的是，教师在尊重幼儿的兴趣的同时，要注意度的把握，不能盲目地追随和放任幼儿的兴趣爱好，要分析他们感兴趣的事物是否具有学习价值，蕴含哪些值得探究的问题，有哪些可供深入学习的契机；另一方面，教师要注意激发幼儿的兴趣，鼓励幼儿进行深入探究。教师应根据幼儿的认知发展水平和已有的经验，预测和把握学习过程中可能遇到的困难和需要努力的程度，巧妙引入具有激励性、不使幼儿丧失信心的、适度的“困难”或“问题”，维持其主动学习的兴趣。

当幼儿学习兴趣减弱时，教师应适时介入，使用鼓励性的语言让幼儿克服困难，调整材料，创设新的情景，让孩子继续学习和探索。

（三）提供足够的时间保障，鼓励幼儿深入思考和探究

深度学习是一种基于问题解决的学习，也是一种基于时间探究的学习。马拉古兹曾说：“我们必须尊重成熟的时间、发展的时间、使用工具的时间和了解工具的时间，以及幼儿能以全面的、或缓慢的、或丰富的、或明亮的发展……这些时间是文化智慧与生物智慧的一种测量方式。”由此可见，学习是一个复杂的过程，需要时间的积累。大多数幼儿的认知发展水平尚处于前运算阶段，因此，教师不能期望幼儿在短时间内就能探索和解决比较复杂的问题。深度学习是幼儿主动探索、发现、产生认知冲突、进而采用策略解决问题的过程，比起被动接受的、灌输式的浅层学习，幼儿深度学习更需要时间的保障和支持。如果教师不给予幼儿充裕的时间，就无法促进幼儿深度学习，更无法看到幼儿的探索、思考、想象力和创造。因此，教师在教育活动中应给予幼儿充足的时间和恰当的引导，把问题留给幼儿，让他们体验主动学习的乐趣，诱发他们内在的学习动机，鼓励孩子积极探索和思考，尝试通过协商、合作、调查、查阅资料等途径，找到问题的解决思路和方法，促进幼儿深度学习的开展。

（四）整合課程内容，引导幼儿批判建构

深度学习实质上是结构性与非结构性知识意义的建构过程，也是复杂的信息加工过程，需对已激活的先前知识和所获得的新知识进行有效和精细的深度加工。孤立、零散、碎片化的知识表征方式不利于学习者对知识有意义的整体感知，不利于新旧知识间的联系，不利于学习者对知识的建构和批判以及深度学习。课程作为幼儿习得知识和经验的载体，整合课程内容有利于幼儿获得整体性经验，为幼儿深度学习奠定基础，教师应注意课程的统整。首先，教师应与幼儿协商，共同寻找现实生活中具有个人或社会意义的问题，促进课程内容与幼儿真实生活和经验整合，从而使幼儿将课程经验整合到自己的意义架构中。其次，以知识的脉络组织课程内容，打破各领域的界限，将孤立的知识经验联接起来，生成主题网络，组织与主题有关的学习经验、课程知识或活动，引导学生将知识以整合的、情境化的方式存储于记忆中，在新、旧经验相互作用下实现知识的同化和顺应，并调整原有认知结构，进而对建构产生的结果进行批判和反思，形成自我对知识的理解。

（五）提供贴近生活和富有挑战性的学习情境，促进幼儿知识迁移与应用

知识是在个人和社会或物理情境之间的互动联系下产生的。情境能为幼儿提供一个有助于学习迁移，与个体理解世界的经验解释相一致，带有真实任务，促进知识、技能和经验之间产生连接的

环境。幼儿的学习离不开情境。幼儿深度学习意味着对知识的迁移和运用，这就要求即幼儿理解学习内容，又要深入了解新的情境，能“举一反三”，学以致用。但不是所有的情境都能激发幼儿深度学习。只有当学习情境中蕴含知识、技能和富有挑战性的问题时，才更能激发幼儿探究的兴趣，并在特定学习情境中解决问题。学习情境中蕴含问题的复杂程度，在一定意义上反映了幼儿学习的深度。一方面，教师应为幼儿提供贴近其真实生活、有一定复杂性、带有真实任务的学习情境。在这样的情境中生成具有现实性和真实性的问题。由于大多幼儿的思维还处于具体形象阶段，只有将幼儿所需掌握的知识和技能融入到真实的情境中，才有助于帮助幼儿对情境的理解和促进建立知识的迁移。另一方面，教师提供的学习情境还应有一定难度和挑战性，需要幼儿运用观察、分析、推理等高阶思维来解决问题，这样有利于训练幼儿的思维能力，提高幼儿解决问题的能力。

注：本文系重庆市教育委员会人文社会科学项目“幼儿园课程权力运作的现状与优化机制研究”（15SKJD04）的研究成果之一

（作者单位：重庆师范大学教育科学学院，西南大学教育学部）

幼儿深度学习的内涵、特征及支持策略

幼儿深度学习的内涵、特征及支持策略 田波琼杨晓萍 近年来，随着人们对学前教育的重视，学前教育实践领域出现了从关注儿童“学什么”到关注儿童“怎么学”的转向。越来越多的研究者将“怎么学”视为优化儿童的学习效能及提高学前教育质量的手段。为了顺应国际学前教育发展趋势，2012年，教育部颁布了《3-6岁儿童学习与发展指南》，倡导“幼儿园要重视幼儿的学习品质，要充分尊重和保护幼儿的好奇心和学习兴趣，帮助幼儿逐步养成积极主动、认真专注、不怕困难、敢于探究和尝试、乐于想象和创造等良好的学习品质”。良好的学习品质可为幼儿的后继学习和终身发展奠定良好的基础。深度学习作为一种良好的学习方式，是培养幼儿良好学习品质的重要途径，也是提高幼儿学习质量和促进学前教育活动转型的关键抓手。本文在探讨幼儿深度学习内涵和特征的基础上，提出了支持幼儿深度学习的策略，以提升幼儿的学习品质。 一、幼儿深度学习的内涵 深度学习源于对学习的深入理解和探究。深度学习理论认为：学习既是一种认知过程，又是根植于社会文化和现实生活的建构过程。深度学习（Deep Learning）也叫做深层学习，源于20 世纪50 年代中期，Ference Marton 和Roger Saljo对学生的阅读过程及方式开展的一系列实验研究，并在1976年发表的《学习的本质区别：结果和过程》中，根据学习者获取和加工信息的方式将学习者分为深度水平加工者和浅层水平加工者，最早提出了深度学习和浅层学习（Surface Learning）两个相对的概念。深度学习理论逐渐被广泛地应用到教育教学、社会工作等实践活动中。实际上，1956年，布卢姆将认知领域目标分为“知识、领会、运用、分析、综合及评价”六个层次，其中就已经包含了学习分层的意蕴。浅层学习的认知水平只停留在前两个层次，倾向于对知识的简单描述、记忆或复制。而深度学习的认知水平处于后四个较高级的认知层次，更注重对知识的理解和应用。随着研究的深入，人们对学习的认识也日益深刻，目前研究者们就深度学习达成了以下共识：深度理解概念的重要性、注重学与教、创设学习环境、学习者在先前知识基础上建构知识的重要性以及反思的重要性。基于此，幼儿深度学习是指幼儿在与周围环境互动的过程中，通过自己特有的学习方式，积极主动地学习新的知识和经验，探索周围的社会环境、自然环境和物质世界，并将这些知识和经验纳入原有的认知结构和迁移到新的情境中，以发展其高阶思维和问题解决能力的一种学习。相对于学习内容脱离生活实际，学习态度被动、学习方式倾向于机械记忆的浅层学习，深度学习是一种主动的、批判性的学习方式，也是一种有意义的学习。但是，幼儿深度学习不是指

江南营_江南深度研学之旅(1)

诗梦江南，入画寻踪 ——长清区实验小学江南深度研学实践之旅 【课程简介】 一道水，一架桥，一支橹声，隽秀婉约的聚合了太多的历史文化。此次研学活动旨在让同学们了解祖国江南，同时感受一场从远古传说，到春秋的吴越文化，到南北朝的文人风骨，再到明清以及近代的大儒伟人的历史盛宴。活动中，同学们将一起寻访王羲之、蔡元培、鲁迅、周恩来等名人伟人故里，穿越历史，冶爱国之志，体悟文化魅力；一起走进园，欣赏宋代江南私家园林的秀美景观，探寻园林蕴含的文化涵；一起游历西湖，领略“淡妆浓抹总相宜”的如画美景；一起走进综合性人文科学博物馆博物馆、中国黄酒博物馆，全面了解历史文化。 【课程特色】 ●文化名镇江南风采 ●穿越时空触摸历史 【行程简表】

上午探访安昌古镇漫游小桥流水梦回江南水乡游历江南小镇，画笔描绘 第五天 下午乘坐高铁前往：车次G60东-西 15:22-19:48辅导员送站一次相聚一生情谊备注：因天气交通等原因，组委会保留调整活动顺序及个别项目的权力，保证活动总量不变。 【活动费用】 2900/人；包含火车（往返高铁）及活动期间所有的费用。 ?【人文积淀-理性思维】·第一天下午·钱塘江·六和塔 钱塘江潮被誉为“天下第一潮”，是世界一大自然奇观，它是天体引力和地球自转的离心作用，加上湾喇叭口的特殊地形所造成的特大涌潮。六和塔位于省市西湖之南，钱塘江畔 月轮山上，是中国现存最完好的砖木结构古塔之一。 小任务1：学生面对浩渺的钱塘江，接受审美教育，并结合手册提示，探究钱塘江大潮的在科学原理； 小任务2：学生走进六和塔，收集关于六和塔的传说故事，留下自己与六和塔最美的合照； ?【审美情趣-人文积淀】·第二天上午·西湖·省博物馆 西湖，是一首诗，一幅天然图画，一个美丽动人的故事，不论是多年居住在这里的人还是匆匆而过的旅人，无不为这天下无双的美景所倾倒。平湖秋月、断桥残雪、柳浪闻莺、花 港观鱼、雷峰夕照、双峰插云、南屏晚钟、三潭印月，西湖十景个擅其胜。省博物馆是省规 模最大的综合性人文科学博物馆，文物品类丰富，年代序列完整。 小任务1：集体创绘，全体学生齐动手，集体协作，面对美景，协作创作最美的西湖； 小任务2：走进博物馆，寻访国宝，找一找最能代表江南文化的文物，向小组同学分享并交流；

常见的特征选择或特征降维方法

URL:https://www.wendangku.net/doc/fd13536783.html,/14072.html 特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能： 1.减少特征数量、降维，使模型泛化能力更强，减少过拟合 2.增强对特征和特征值之间的理解 拿到数据集，一个特征选择方法，往往很难同时完成这两个目的。通常情况下，选择一种自己最熟悉或者最方便的特征选择方法（往往目的是降维，而忽略了对特征和数据理解的目的）。 在许多机器学习的书里，很难找到关于特征选择的容，因为特征选择要解决的问题往往被视为机器学习的一种副作用，一般不会单独拿出来讨论。本文将介绍几种常用的特征选择方法，它们各自的优缺点和问题。 1 去掉取值变化小的特征Removing features with low variance 这应该是最简单的特征选择方法了：假设某种特征的特征值只有0和1，并且在所有输入样本中，95%的实例的该特征取值都是1，那就可以认为这个特征作用不大。如果100%都是1，那这个特征就没意义了。当特征值都是离散型变量的时候这种方法才能用，如果是连续型变量，就需要将连续变量离散化之后才能用，而且实际当中，一般不太会有95%以上都取某个值的特征存在，所以这种方法虽然简单但是不太好用。可以把它作为特征选择的预处理，先去掉那些取值变化小的特征，然后再从接下来提到的特征选择方法中选择合适的进行进一步的特征选择。

2 单变量特征选择Univariate feature selection 单变量特征选择能够对每一个特征进行测试，衡量该特征和响应变量之间的关系，根据得分扔掉不好的特征。对于回归和分类问题可以采用卡方检验等方式对特征进行测试。 这种方法比较简单，易于运行，易于理解，通常对于理解数据有较好的效果（但对特征优化、提高泛化能力来说不一定有效）；这种方法有许多改进的版本、变种。 2.1 Pearson相关系数Pearson Correlation 皮尔森相关系数是一种最简单的，能帮助理解特征和响应变量之间关系的方法，该方法衡量的是变量之间的线性相关性，结果的取值区间为[-1，1]，-1表示完全的负相关(这个变量下降，那个就会上升)，+1表示完全的正相关，0表示没有线性相关。 Pearson Correlation速度快、易于计算，经常在拿到数据(经过清洗和特征提取之后的)之后第一时间就执行。 Pearson相关系数的一个明显缺陷是，作为特征排序机制，他只对线性关系敏感。如果关系是非线性的，即便两个变量具有一一对应的关系， Pearson相关性也可能会接近0。 2.2 互信息和最大信息系数Mutual information and maximal information coefficient (MIC)

现代机器学习基于深度学习的图像特征提取

现代机器学习理论大作业（基于深度学习的图像特征提取）

基于深度学习的图像特征提取 摘要：大数据时代的来临，为深度学习理论的发展创造了良好的条件。本文介 绍了深度学习的发展背景，主要讨论了深度学习中的自编码的方法，对自编码方法实现仿真应用，期望在以后能应用到SAR图像上进行自动特征提取，最后阐 述该理论的目前遇到的困难。 关键词：深度学习autoencoder convolution pooling 一引言 机器学习是人工智能的一个分支，而在很多时候，几乎成为人工智能的代名词。简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律， 从而对新的样本做智能识别或对未来做预测。从1980年代末期以来，机器学习的发展大致经历了两次浪潮：浅层学习（Shallow Learning）和深度学习（Deep Learning）。 第一次浪潮：浅层学习 1980年代末期，用于人工神经网络的反向传播算法（也叫Back Propagation 算法或者BP算法）的发明，给机器学习带来了希望，掀起了基于统计模型的机 器学习热潮。这个热潮一直持续到今天。人们发现，利用BP算法可以让一个人工神经网络模型从大量训练样本中学习出统计规律，从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显示出优越性。这个时候的人工神经网络，虽然也被称作多层感知机（Multi-layer Perceptron），但实际上是一种只含有一层隐层节点的浅层模型。 90年代，各种各样的浅层机器学习模型相继被提出，比如支撑向量机（SVM，Support Vector Machines）、Boosting、最大熵方法（例如LR，Logistic Regression）等。这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。这些模型在无论是理论分析还是应用都获得了巨大的 成功。相比较之下，由于理论分析的难度，加上训练方法需要很多经验和技巧， 所以这个时期浅层人工神经网络反而相对较为沉寂。 2000年以来互联网的高速发展，对大数据的智能化分析和预测提出了巨大需求，浅层学习模型在互联网应用上获得了巨大成功。最成功的应用包括搜索广告

基于CNN特征提取和加权深度迁移的单目图像深度估计

2019年4月图 学 学 报 April2019第40卷第2期JOURNAL OF GRAPHICS V ol.40No.2 基于CNN特征提取和加权深度迁移的 单目图像深度估计 温静，安国艳，梁宇栋 (山西大学计算机与信息技术学院，山西太原 030006) 摘要：单目图像的深度估计可以从相似图像及其对应的深度信息中获得。然而，图像匹配歧义和估计深度的不均匀性问题制约了这类算法的性能。为此，提出了一种基于卷积神经网络(CNN)特征提取和加权深度迁移的单目图像深度估计算法。首先提取CNN特征计算输入图像在数据集中的近邻图像；然后获得各候选近邻图像和输入图像间的像素级稠密空间形变函数； 再将形变函数迁移至候选深度图像集，同时引入基于SIFT的迁移权重SSW，并通过对加权迁移后的候选深度图进行优化获得最终的深度信息。实验结果表明，该方法显著降低了估计深度图的平均误差，改善了深度估计的质量。 关键词：单目深度估计；卷积神经网络特征；加权深度迁移；深度优化 中图分类号：TP 391 DOI：10.11996/JG.j.2095-302X.2019020248 文献标识码：A 文章编号：2095-302X(2019)02-0248-08 Monocular Image Depth Estimation Based on CNN Features Extraction and Weighted Transfer Learning WEN Jing, AN Guo-yan, LIANG Yu-dong (School of Computer and Information Technology, Shanxi University, Taiyuan Shanxi 030006, China) Abstract: The depth estimation of monocular image can be obtained from the similar image and its depth information. However, the performance of such an algorithm is limited by image matching ambiguity and uneven depth mapping. This paper proposes a monocular depth estimation algorithm based on convolution neural network (CNN) features extraction and weighted transfer learning. Firstly, CNN features are extracted to collect the neighboring image gallery of the input image. Secondly, pixel-wise dense spatial wrapping functions calculated between the input image and all candidate images are transferred to the candidate depth maps. In addition, the authors have introduced the transferred weight SSW based on SIFT. The final depth image could be obtained by optimizing the integrated weighted transferred candidate depth maps. The experimental results demonstrate that the proposed method can significantly reduce the average error and improve the quality of the depth estimation. Keywords: monocular depth estimation;convolution neural network features; weighted depth transfer; depth optimization 收稿日期：2018-09-07；定稿日期：2018-09-12 基金项目：国家自然科学基金项目(61703252)；山西省高等学校科技创新项目(2015108) 第一作者：温静(1982 )，女，山西晋中人，副教授，博士，硕士生导师。主要研究方向为图像处理、计算机视觉等。E-mail：wjing@https://www.wendangku.net/doc/fd13536783.html,

研学方案

“研学旅行”实施方案 一、项目实施背景 从2013年发布《国民休闲旅游纲要》到2016年的《关于推进中小学生研学旅行的意见》，国家教育部等多部门发文要求大力推进研学旅行。研学旅行有利于促进学生培育和践行社会主义核心价值观，激发学生对党、对国家、对人民的热爱之情；有利于推动全面实施素质教育，创新人才培养模式，引导学生主动适应社会，促进书本知识和生活经验的深度融合；有利于加快提高人民生活质量，满足学生日益增长的旅游需求，从小培养学生文明旅游意识，养成文明旅游行为习惯。近年来，各地积极探索开展研学旅行，部分试点地区取得显著成效，在促进学生健康成长和全面发展等方面发挥了重要作用。二、定位与宗旨 目前大多数研学旅行还处在研究开发状态，良莠不齐，市场认可度不够，家长热度不高（尤其省内）。这是我们的机遇，也是挑战，我们的定位是要打造出一个学校认可、家长认可、学生认可的研学品牌，让学生在研学中学到东西。 三、具体实施 （一）方案A：纯旅游研学 本方案以若干旅游景点为研学地点，前期采取跟旅行社合作的方式（合作方式有待探讨），研学的核心（课件+“内容”）内容采取跟大学历史系或者旅游系的老师合作。 该方案的优点：该方案采用跟旅行社合作，研学路线可以借用

旅行社的优势，资源充分整合，老师和家长的路线选择多，可以极大丰富学生的课外知识，并且可以开展夏令营和冬令营活动。缺点是要综合考虑各个年龄段的学生，路线过多，会导致前期工作准备不够充足。 方案细节初步安排如下： 1、前期工作（3月20日-3月30日）： （1）与某个旅行社达成合作关系（目前有合作意向的有康辉旅行社）； （2）与某个大学的历史或者旅游系老师达成合作关系，负责研学核心内容的开发，包括路线的选择和内容的开发 （3）完成计划的策划和确定具体实施细节。 2、中期工作（4月1日-5月30日） （1）4月1日-4月15日与旅行社和老师确定最终的研学路线； （2）4月15日-5月30日一个半月的时间根据最终具体的研学路线，来做具体的研学课件和研学内容，研究出研学到底应该让学生学到什么，怎么保证学生能学到这些； （3）同时根据最终确定的研学方案做好定价方案，在这个过程中要充分进行调研，进学校、访家长，做到收费合理； （4）根据做好的方案做好线上推广，把做好的资料全部上传到线上，可以参考北京世纪明德。

特征提取与选择 总结

第七章特征提取与选择_总结 7.6 特征选择中的直接挑选法 特征的选择除了我们前面学习的变换法外, 也可以在原坐标系中依据某些原则直接选择特征, 即我们这节课要学的直接挑选法。 7.6.1次优搜索法 (一)单独最优的特征选择 单独选优法的基本思路是计算各特征单独使用时的判据值并以递减排序，选取前d个分类效果最好的特征。一般地讲，即使各特征是统计独立的，这种方法选出的d个特征也不一定是最优的特征组合，只有可分性判据J是可分的，即 这种方法才能选出一组最优特征。 (二)增添特征法 该方法也称为顺序前进法（SFS）这是最简单的自下而上搜索方法，每次从未选入的特征中选择一个特征，使它与已选入的特征组合在一起时J值最大，直到选入特征数目达到指定的维数d为止。 设已选入了k个特征，它们记为X k，把未选入的n-k个特征x j（j=1,2,…,n-k)逐个与已选入的特征X k组合计算J 值，若： 则x1选入，下一步的特征组合为X k+1=X k+x1。开始时，k=0，X0=F，该过程一直进行到k=d为止。 该方法比“单独最优的特征选择法”要好，但其缺点也是明显的：即某特征一旦选入，即使后边的n-k特征中的某个从组合讲比它好，也无法把它剔除。 (三)剔减特征法 该方法也称为顺序后退法(SBS)。这是一种自上而下的搜索方法，从全部特征开始每次剔除一个特征，所剔除的特征应使尚保留的特征组合的值最大。 设已剔除了k个特征，剩下的特征组记为，将中的各特征x j （j=1,2,…,n-k)分别逐个剔除，并同时计算值，若： 则在这轮中x1应该剔除。

这里初值，过程直到k=n-d为止。 (四) 增l 减r 法（l-r 法） 为了克服前面方法（二）、（三）中的一旦某特征选入或剔除就不能再剔除或选入的缺点，可在选择过程中加入局部回溯，例如在第k步可先用方法（二）。，对已选入的k个特征再一个个地加入新的特征到k+1个特征，然后用方法(三) 一个个地剔除r个特征，称这种方法为l减r法（l-r法）。 7.6.2最优搜索法 (一)分支定界法(BAB算法) 寻求全局最优的特征选择的搜索过程可用一个树结构来描述，称其为搜索树或解树。总的搜索方案是沿着树自上而下、从右至左进行，由于树的每个节点代表一种特征组合，于是所有可能的组合都可以被考虑。利用可分性判据的单调性采用分支定界策略和值左小右大的树结构，使得在实际上并不计算某些特征组合而又不影响全局寻优。这种具有上述特点的快速搜索方法，称为分支定界算法。 6选2的特征选择问题 (a)搜索树 (b)搜索回溯示意图 树的每个节点表示一种特征组合，树的每一级各节点表示从其父节点的特征 组合中再去掉一个特征后的特征组合，其标号k表示去掉的特征是。由于每一级只舍弃一个特征，因此整个搜索树除根节点的0级外，还需要n-d级，即全树有n-d级。6个特征中选2个，故整个搜索树需4级，第n-d级是叶节点，有

幼儿深度学习的内涵特征及支持策略

幼儿深度学习的内涵特征及支持策略 标准化工作室编码[XX968T-XX89628-XJ668-XT689N]

幼儿深度学习的内涵、特征及支持策略 田波琼杨晓萍 近年来，随着人们对学前教育的重视，学前教育实践领域出现了从关注儿童“学什么”到关注儿童“怎么学”的转向。越来越多的研究者将“怎么学”视为优化儿童的学习效能及提高学前教育质量的手段。为了顺应国际学前教育发展趋势， 2012年，教育部颁布了《3-6岁儿童学习与发展指南》，倡导“幼儿园要重视幼儿的学习品质，要充分尊重和保护幼儿的好奇心和学习兴趣，帮助幼儿逐步养成积极主动、认真专注、不怕困难、敢于探究和尝试、乐于想象和创造等良好的学习品质”。良好的学习品质可为幼儿的后继学习和终身发展奠定良好的基础。深度学习作为一种良好的学习方式，是培养幼儿良好学习品质的重要途径，也是提高幼儿学习质量和促进学前教育活动转型的关键抓手。本文在探讨幼儿深度学习内涵和特征的基础上，提出了支持幼儿深度学习的策略，以提升幼儿的学习品质。 一、幼儿深度学习的内涵 深度学习源于对学习的深入理解和探究。深度学习理论认为：学习既是一种认知过程，又是根植于社会文化和现实生活的建构过程。深度学习（Deep Learning）也叫做深层学习，源于20 世纪 50 年代中期，Ference Marton 和 Roger Saljo对学生的阅读过程及方式开展的一系列实验研究，并在 1976年发表的《学习的本质区别：结果和过程》中，根据学习者获取和加工信息的方式将学习者分为深度水平加工者和浅层水平加工者，最早提出了深度学习和浅层学习（Surface Learning）两个相对的概念。深度学习理论逐渐被广泛地应用到教育教学、社会工作等实践活动中。实际上，1956年，布卢姆将认知领域目标分为“知识、领会、运用、分析、综合及评价”六个层次，其中就已经包含了学习分层的意蕴。浅层学习的认知水平只停留在前两个层次，倾向于对知识的简单描述、记忆或复制。而深度学习的认知水平处于后四个较高级的认知层次，更注重对知识的理解和应用。随着研究的深入，人们对学习的认识也日益深刻，目前研究者们就深度学习达成了以下共识：深度理解概念的重要性、注重学与教、创设学习环境、学习者在先前知识基础上建构知识的重要性以及反思的重要性。基于此，幼儿深度学习是指幼儿在与周围环境互动的过程中，通过自己特有的学习方式，积极主动地学习新的知识和经验，探索周围的社会环境、自然环境和物质世界，并将这些知识和经验纳入原有的认知结构和迁移到新的情境中，以发展其高阶思维和问题解决能力的一种学习。相对于学习内容脱离生活实际，学习态度被动、学习方式倾向于机械记忆的浅层学习，深度学习是一种主动的、批判性的学习方式，也是一种有意义的学

江南营江南深度研学之旅1

江南营-江南深度研学之旅（1)

————————————————————————————————作者：————————————————————————————————日期:

诗梦江南，入画寻踪 ——长清区实验小学江南深度研学实践 之旅 【课程简介】 一道水,一架桥，一支橹声,隽秀婉约的杭州绍兴聚合了太多的历史文化。此次研学活动旨在让同学们了解祖国江南，同时感受一场从远古传说，到春秋的吴越文化，到南北朝的文人风骨,再到明清以及近代的大儒伟人的历史盛宴。活动中，同学们将一起寻访王羲之、蔡元培、鲁迅、周恩来等名人伟人故里,穿越历史,陶冶爱国之志,体悟文化魅力；一起走进沈园,欣赏宋代江南私家园林的秀美景观，探寻园林蕴含的文化内涵；一起游历西湖,领略“淡妆浓抹总相宜”的如画美景；一起走进综合性人文科学博物馆浙江博物馆、中国黄酒博物馆，全面了解浙江历史文化。 【课程特色】 ●文化名镇江南风采 ●穿越时空触摸历史 【行程简表】 时间课程安排课程主题课程链接 第一天上午乘坐高铁前往杭州:车次G63 济南-杭州东 0７:23-1１：５３辅导员接站读万卷书行万里路下午参观钱塘江、六和塔看天下第一潮登镇潮六和塔追寻江畔的历史故事 晚上研学课程指导分组讨论课程，研学收获分享 实践－辅导员指导学生完成课程手 册 第二天上午 游历杭州西湖置身如画美景感受西湖柔情参观苏堤、孤山、曲院风荷 浙江博物馆参观历史展品考察浙江文化感受历史文化的沉淀 下午灵隐寺、飞来峰登山览胜景寺宇悟佛心登山参观庙宇,了解佛教文化 晚上研学课程指导分组讨论课程，研学收获分享实践-辅导员指导学生完成课程手册 第三天上午探访鲁迅故里探寻书中世界亲访三味书屋追寻鲁迅先生的足迹 下午 游览沈园漫步江南园林,探寻文化内涵 人文－体味江南风情/建筑-江南园林建 筑风格 参观黄酒博物馆参观历史文物体悟江南魅力历史-绍兴历史文化 晚上 大善塔 仓桥直街 漫步古城小道欣赏绍兴夜色实践-实地感受，见景抒情 第四天上午书圣故里历史街区历游文人旧地感受文化魅力人文-文人旧所、大家荟萃

探究幼儿自主游戏活动中的深度学习新样态

龙源期刊网 https://www.wendangku.net/doc/fd13536783.html, 探究幼儿自主游戏活动中的深度学习新样态作者：郑兰 来源：《学习与科普》2019年第12期 区域活动作为近年来教育实践中兴起并发展的一种教育活动方式，早已被接纳并融入了幼儿的一日生活之中。教师们不断尝试探索，创设各类性质的活动区，通过观察活动情况，及时了解幼儿的游戏状态和需要，不断调整改进区域内容及材料投放，这也是提升游戏质量、促进幼儿发展的重要途径。 通常教师在自主区域游戏的不同阶段会有不同的观察内容及关注点，例如：自主区域活动开始初期，教师们着重会观察区域中投放的材料数量是否充足，幼儿是否感兴趣，区角的布局是否合理。如何正确解读幼儿的游戏行为呢？我认为，跟踪观察是一种行之有效的方法。 下面就我对本班其中一个自主区域——“洞洞乐”的重点跟踪观察，发现幼儿在与教师提供的活动材料之间，出现的一些行为互动，由此入手，探索幼儿现有行为背后所隐藏的教育价值。 背景描述： 升入中班后，我们将班级内的环境布置成了“地中海”主题风格，教室内的区域相应也有了很大的改变，各区域内投放的活动材料也都是围绕地中海风格，特别是从色彩的搭配还是游戏材料的性质、质地上的一个和谐统一。因此，开学初的每一次区域活动，孩子们都会像发现“新大陆”般的欣喜，这儿摸摸，那儿看看，然后拿起来研究琢磨一番，与几个好朋友一起讨论怎么玩儿？因为这些自制的玩具、材料他们几乎没见过，十分的陌生，所以充满了好奇。 为了让孩子们在区域活动中，能获得更多的生活经验，对所提供的这些玩具材料的教育价值，我们也有目的的进行了跟踪，希望通过对幼儿游戏情况的观察，进一步分析评价这些材料是否能起到促进和发展幼儿动手能力、想象能力，拓展幼儿思维及生活经验的目的。 1. 跟踪观察幼儿对游戏的兴趣，分析解读材料的适宜性。 例如：当日的“海豚生活馆”里来了6位小朋友，起初，几个孩子对着下图中的玩具“洞洞乐”很感兴趣，边摆弄边议论着：“这个是什么？怎么玩儿的呀？”穿黑色T恤长得很帅气的小男孩拿起乒乓球，轻轻往前推着：“应该是把乒乓球滚进杯子里去的吧？”穿红色条纹衫的小女孩也学着：“让我来，让我来，是这么滚的吧？”于是，只见两组幼儿不断重复着同一个动作：用手慢慢的推着乒乓球将球送进杯口里。 游戏持续的四十分钟时间里，是什么吸引着小男孩全程投入的活动？我认为，最初吸引他的还是“洞洞乐”这个操作玩具材料本身的好奇心，幼儿有着与生俱来的好奇心与探究欲望，正

研学

第一单元 课题人与自我?我自信，会成功 学习目标正确认识自我，能够说出自己的优点和不足；增强自我调控、承受挫折、适应环境的能力；了解树立自信心的方法，培养健全的人格和良好的心理素质；提高心理健康水平，增强自我教育能力，形成健康、自信的人生观。参考主题（1）我自信，会成功；（2）克服考试焦虑；（3）消除孤独感。 实践方式心理测试；收集资料；手工制作。 方法引导发表意见的技巧；如何对调查结果进行统计与分析。 学科整合与心理健康教育、品德与社会、语文等学科整合。关注心理健康，形成健康的生活态度；善于发现其他同学身上的优点并虚心学习；学习名人名言，领悟其深刻含义，并激励自己；进行小制作设计。 课时安排5课时 教学流程 第一课时 研究准备 我们一天天地长大，从妈妈怀里的婴儿，长成了少年。想想自己在成长过程中有哪些烦恼？你是怎么解决的？ 同学们根据自己的兴趣自主确定设计研究方案，其方法一般是: 1、我的烦恼及解决的办法 2、我自信，会成功 3、消除孤独感 以上方案进行研究、讨论、尝试初步建立印象。 第二课时 我自信，会成功 一、研究实施 自信对我们走向成功非常重要。今天，就我们一起通过探究活动来寻找自信，增强自信！ 二、方法与引导： 发表意见的技巧 1、态度诚恳、谦逊。多采用“我个人认为”、“我目前的想法是”等表达方式； 2、不能只发表否定性意见，对好的方面要充分肯定； 3、对事不对人，只针对事情发表意见； 4、通过举例等方式，引导他人发现存在的问题； 5、避免个人垄断话题，邀请不善于发表意见的组员参与讨论。 三、“我自信，会成功”研究方案 主题名称研究时间 研究目的1、正确认识自己，发现自己的优点与不足 2、

研学课程质量管理方案

XXXX中小学研学旅行课程质量管理 一、指导思想 全面贯彻党的教育方针，以《国家中长期教育改革和发展规划纲要》《基础教育课程改革纲要》《国民旅游休闲纲要》为指导，认真落实立德树人的育人目标，以培养学生的综合实践能力和创新能力为核心，以学生发展为本，全面提升学生综合素质。 二、课程设计原则与课程内容 (一)课程设计原则 1.开放性原则:充分利用校内外资源体现目标的多元性，内容的广泛性，时间空间的广域性，展示的多样性和评价的灵活性。 2.整合性原则:以研学旅行资源及教学内容、方法和师资情况为基础，结合学生认知能力和社会实际整合开发课程，保证课程的时效性，实现课程的生成性。 3.体验性原则:尊重学生主体地位，以人为本，以学生活动为主，突出体验实践，培养学生创新精神和实践能力，变知识性的课堂教学为发展性的体验教学。 4.生活性原则:着眼于生活实际的观察视角，把学生从最简单熟悉的生活层面引领到更加广阔的社会生活舞台，加强教育的生活性，突出生活的教育化程度。 (二)课程内容

1.了解社会状况。通过研学旅行活动，了解当前社会实践活动中迫切需要解决的现实问题，如交通、卫生、网络、饮食、环境、动植物保护以及人口老龄化、就业压力、就医入学等现实状况。 2.探究学科问题。包括物理、化学、生物、地理、数学、语文、英语、政治、历史、通用技术、信息技术、体育、音乐、美术以及学科交叉知识的探究，发现一些值得研究的新问题。 3.前沿科技应用。在研学活动中，学习和研究前沿科学技术在生活、生产实践和科学实践领域的应用。如3D打印、AR/VR、无人机、无人驾驶等。 三、课程实施 （1）课程开发要立足教育性。 要使研学旅行做到立意高远、目标明确、活动生动、学习有效，避免出现“只旅不学”或“只学不旅”的现象，就必须把教育性原则放在首位，寻找适切的研学主题和课程教育目标，深度促进研学旅行活动课程与学校课程的有机融合。作为中小学教育教学实践的重要组成部分，研学旅行的活动课程既要结合学生身心特点、接受能力和实际需要，又要注重知识性、科学性和趣味性。 在课程目标的制订上，要与学校的综合实践活动课程统筹考虑，活动中的知识性目标、能力性目标、情感、态度、价值观领域的目标和核心素养的目标等等，都应该是落实课标的核心要点。 （2）研学旅行课程突出实践性 正是我国推动全面实施素质教育的一种重要创新。研学旅行的课

多目标输出SVM回归的参数优化和特征选择

多目标输出SVM回归的参数优化和特征选择 彭文伟 湖南湘潭湘钢巴塘17-18,邮政编码:411104. Email:pww71@https://www.wendangku.net/doc/fd13536783.html,, phone:+86-0732-*******. 摘要：目前多目标输出SVM回归的算法使用多阈值, 其预测效果不理想，且运算量大。另外SVM算法的评价准则采用的是交叉验证的均方误差或相关系数，如果各目标的数据不平衡，这种统计方法无法用于评价多目标输出SVM回归算法。首先，本文提出采用相同阈值的SVM多目标输出回归的算法,然后对交叉验证提出两种误差统计方法:一,各目标均方误差作均匀化处理，二,使用马氏距离最小化的方法。最后，针对大型数据超大运算的问题，提出网络计算机并行运算算法。实验先用遗传算法,粒子群算法和自己的BFS算法分别对相同SVM模型作参数优化，然后用改进的序列极小化特征选择算法优化SVM特征。结果说明：选择ε-SVR算法和Rbf核，和BFS算法的参数优化，交叉验证用均匀化的均方误差作评价准则，效果相对较好。 关键词：支持向量机; 遗传算法; 粒子群算法; BFS算法; 序列极小化特征选择; Abstract: At present, the multi-objective output SVM regression used multi-threshold strategy. However, its prediction result and computational complexity is not satisfactory. In addition, the parameter and feature selection generally used cross-validation as the evaluation criteria. Because of the imbalance data, the statistical methods used to evaluate the cross-validation error cannot always get the optimal effect. In this paper, an algorithm of the multi-objective output SVM regression using the same thresholds for the multi-objective is proposed. Moreover, two error evaluation methods for cross-validation are proposed. Firstly, the mean square error for all objectives are treated homogeneously; Secondly, minimizing the Mahalanobis distance is used。Finally, data for large super-computing problem, the network computer parallel computing algorithm is proposed. experiment by using genetic algorithms, particle swarm optimization and own Breadth-first search algorithm separately on the same SVM model for parameter optimization, and then experiment by using the modified sequential minimal algorithm for feature selection. Results show that: ε-SVR , Gaussian Radial Basis, parameter optimization is using Breadth-first search algorithm, cross-validation with homogenization of the mean square error for the purpose of evaluation criteria, the effect is relatively good. Keyword: svm; genetic algorithms; particle swarm optimization; BFS; The sequential minimal algorithm based on feature selection; 一,引言 支持向量机 (Support Vector Machines, SVM)是Vapnik等人于20世纪90年代建立的，基于统计学习理论且推广能力非常好的一种小样本学习方法[1]，，已成功应用于模式分类、回归分析等领域。 SVM回归问题一般都是单目标输出[2-3]（SVM回归问题的目标值只有一个）。而目前多目标输出（SVM回归问题目标值超过一个）一般采用多阈值方式[4]，不是共同的间隔，相当于用单目标预测方式重复预测多目标，实验效果不是很理想，故提出采用相同阈值的多目标SVM回归算法。 正如大多数学习机算法，支持向量机（SVM）的性能与SVM参数和特征的选择有关[5]。不同的数据类型用不同的SVM模型预测效果有一定的差异，而SVM模型不同其参数和参数范围也不同，因此对于不同的SVM模型，因根据其参数多少和范围来选择不同的参数优化方案。 常用的参数优化办法是网格搜索[6]，但是其采用2的n次幂将范围切割为离散数，造成搜索范围不均匀分布，即使提高网格数搜索精度也不高，而且增加运算量。为了提高精度，本人提出启发式广度优先搜索。 目前使用遗传算法和粒子群算法作参数优化的越来越多，但是针对不同的SVM模型，没有对众多参数优化方案进行综合的对比和评价，是缺乏说服力的。 SVM参数和特征的优化过程需要一个评价准则。该准则大多采用k折交叉验证验证的均方误差或相关系数。 先预先设定好某个SVM参数，然后进行k-折交叉验证（k-fold cross vaidation）：将训练样本集随机地分成k个互不相交的子集，每个折的大小大致相等。利用k-1个训练子集，对给定的一组参数建立回归模型，利用剩下的最后一个子集的误差平均值评估参数的性能。以上过程重复K次，因此每个子集都有机会进行测试，最后根据k次迭代后得到误差平均值。用该误差平均

基于多尺度深度特征的视觉显著性

基于多尺度深度特征的视觉显著性 视觉显著性在认知和计算科学是一个基本的问题，包括计算机视觉。在本文中，我们发现一个高质量的视觉显著性模型可以使用深度卷积神经网络抽取多尺度特征来学习，这些在视觉识别工作中已经有很多成功的例子。为了学习显著性模型，我们提出一种为了在三个不同的尺度提取的特征可以和CNN的顶层充分连接的神经网络架构。接着我们提出了一个细化方法来加强显著性结果的空间一致性。最后，融合多个显著图计算为图像分割的不同水平可以更好的促进性能，收益率显著图比从单一分割产生的图像要好。为了促进视觉显著模型的进一步研究和评价，我们也建立一个新的拥有4447张挑战性图片的大型数据库及其注释。实验结果表明,我们提出的方法在所有公共基准能够实现最先进的性能,在MSRA-B数据集和我们的新数据集(HKU-IS)改善F-Measure的效果分别为5.0%和13.2%,降低了这两个数据集平均绝对误差分别为5.7%和35.1%。 1.介绍 总结，这篇文章有以下贡献： 一个新的视觉显著模型被提出用于从一个拥有多个完全连接层的深度神经网络的嵌套的窗口将多尺度CNN特征提取。用于显著性估计的深度神经网络是可以用一组标记的显著图区域来训练的。 一个完整的显著性框架是由进一步整合我们的用空间一致性模型和多级图像分割基于CNN的显著性模型开发而成的。 HKU-IS是用来显著性模型研究和评估而创建的一个新的具有挑战的数据集。这个数据集是对外公开的。我们提出的显著性模型已经成功地验证了这个新数据集和所有现有的数据集。 2.相关工作 视觉显著计算可以分为自底向上和自顶向下的方法或两者的混合。自底向上的模型主要是基于c enter-surround方案,通过低级视觉属性的线性或非线性结合来计算主显著图,如颜色、强度、结构和方向。自上而下的方法通常需要高层知识的整合,如在计算过程中目标和人脸识别检测。最近，设计区别特征和显著先验的工作已经取得了很大成效。大多数方法基本上都遵循区域对比框架,旨在设计更好的描述图像区域与其周边地区的特殊性的特性。在【26】中，三个新奇特征与条件随机场（条件随机场（conditional random field，简称 CRF），是一种鉴别式机率模型，是随机场的一种，常用于标注或分析序列资料，如自然语言文字或是生物序列。条件随机场为无向性之图模型，图中的顶点代表随机变量，顶点间的连线代表随机变量间的相依关系，在条件随机场当中，随机变量 Y 的分布为条件机率，给定的观察值则为随机变量 X。原则上，条件随机场的图模型布局是可以任意给定的，一般常用的布局是链结式的架构，链结式架构不论在训练（training）、推论（inference）、或是解码（decoding）上，都存在有效率的算法可供演算。）结合。在【33】中提出了一个基于低秩矩阵恢复的模型用于整合底层视觉特征与高层次先验。 显著先验和中心先验与边界先验一样被广泛应用于启发结合低级线索的和改善显著估计。这些显著先验直接结合其他显著的线索权重或者用于特征学习算法。虽然这些经验对于很多图像来说可以改变显著结果，但当显著目标偏离中心或明显在图像边界重叠就会失败。我们应该注意到目标位置线索和基于背景的背景模型在我们的框架中并没有被忽视，而是一直通过CNN的多尺度特征提取和神经网络训练含蓄地纳入进我们的模型。 最近，CNNs在视觉识别工作中取得了很多成就，包括图像分类、目标检测和场景解析。Dona hue等在【11】中指出从ImageNet数据集训练的Krizhevsky的CNN提取的特征可以转化成一般的任务。Razavian等在【30】中拓展他们的结果并得出深度学习和CNNs对于所有的视觉识别任务可以成为一个强有力的候选的结论。然而，CNN特征并没有探索视觉显著性研究主要是因为在【11,30】

幼儿深度学习的内涵、特征及支持策略讲解学习

幼儿深度学习的内涵、特征及支持策略

幼儿深度学习的内涵、特征及支持策略 田波琼杨晓萍 近年来，随着人们对学前教育的重视，学前教育实践领域出现了从关注儿童“学什么”到关注儿童“怎么学”的转向。越来越多的研究者将“怎么学”视为优化儿童的学习效能及提高学前教育质量的手段。为了顺应国际学前教育发展趋势， 2012年，教育部颁布了《3-6岁儿童学习与发展指南》，倡导“幼儿园要重视幼儿的学习品质，要充分尊重和保护幼儿的好奇心和学习兴趣，帮助幼儿逐步养成积极主动、认真专注、不怕困难、敢于探究和尝试、乐于想象和创造等良好的学习品质”。良好的学习品质可为幼儿的后继学习和终身发展奠定良好的基础。深度学习作为一种良好的学习方式，是培养幼儿良好学习品质的重要途径，也是提高幼儿学习质量和促进学前教育活动转型的关键抓手。本文在探讨幼儿深度学习内涵和特征的基础上，提出了支持幼儿深度学习的策略，以提升幼儿的学习品质。 一、幼儿深度学习的内涵 深度学习源于对学习的深入理解和探究。深度学习理论认为：学习既是一种认知过程，又是根植于社会文化和现实生活的建构过程。深度学习（Deep Learning）也叫做深层学习，源于20 世纪 50 年代中期，Ference Marton 和 Roger Saljo对学生的阅读过程及方式开展的一系列实验研究，并在 1976年发表的《学习的本质区别：结果和过程》中，根据学习者获取和加工信息的方式将学习者分为深度水平加工者和浅层水平加工者，最早提出了深度学习和浅层学习（Surface Learning）两个相对的概念。深度学习理论逐渐被广泛地应用到教育教学、社会工作等实践活动中。实际上，1956年，布卢姆将认知领域目标分为“知识、领会、运用、分析、综合及评价”六个层次，其中就已经包含了学习分层的意蕴。浅层学习的认知水平只停留在前两个层次，倾向于对知识的简单描述、记忆或复制。而深度学习的认知水平处于后四个较高级的认知层次，更注重对知识的理解和应用。随着研究的深入，人们对学习的认识也日益深刻，目前研究者们就深度学习达成了以下共识：深度理解概念的重要性、注重学与教、创设学习环境、学习者在先前知识基础上建构知识的重要性以及反思的重要性。基于此，幼儿深度学习是指幼儿在与周围环境互动的过程中，通过自己特有的学习方式，积极主动地学习新的知识和经验，探索周围的社会环境、自然环境和物质世界，并将这些知识和经验纳入原有的认知结构和迁移到新的情境中，以发展其高阶思维和问题解决能力的一种学习。相对于学习内容脱离生活实际，学习态度被动、学习方式倾向于机械记忆的浅层学习，深度学习是一种主动的、批判性的学习方式，也是一种有意义的学习。