相关反馈技术

相关反馈技术（共6篇）

相关反馈技术 篇1

0 引 言

相对文本而言,图像包含的内容则要丰富得多。由于互联网的发展,web上的图片数量正日趋庞大,图像包含的语义信息亦千差万别,另外具有相同语义信息的图像数量页在与日俱增。因此,作为信息检索中一个重要分支,基于内容的图像检索(CBIR)已成为关注热点。

CBIR方法是以一幅图像作为单位,通过使用图像领域的前沿技术,提取图像的视觉特征,例如:颜色,纹理等。当用户查找图像时,搜索引擎根据用户所提供的图像视觉特征,寻找与之相似的图像。这一做法避免了TBIR策略存在的问题,可直接对图像进行操作。但是,由于图像处理技术的局限性,单纯提取图像底层特征很难完整描述图像包含语义信息,并且,图像所属的不同领域,所包含的视觉对象之间具有的空间信息等,也会对图像的语义信息产生很大的影响。为了使搜索引擎能够根据用户提供的高层语义概念返回与用户选择图像语义最为接近的图像,相关反馈技术则提供了一种良好的实现途径。该技术是使得检索系统可根据算法选择少部分图像返回给用户,用户对这些图像给出标记信息,学习系统再从这些标记图像中进行知识学习,并利用这些新知识提供新的检索结果。

根据相关反馈过程的特点,主动学习技术可以有效地用于该过程。具体做法是通过采样算法选择对检索系统最有利的部分样例作为反馈图像,并将这些图像提交给用户进行标记。使用主动学习技术选择反馈图像的目的是减少提升检索系统性能所需要的反馈图像数量,同时也一并减少用户的工作量和提交反馈图像标记的次数。根据这一目的,本文提出一种基于主动学习算法的相关反馈技术,利用主动学习技术从大量无标注待检索图像中选择信息含量最大的图像,将这些图像作为反馈图像,提交用户进行标注,由此而减少用户标记反馈图像的次数和数量,并提高CBIR系统的性能。本文主要工作和贡献概述如下:根据CBIR图像系统中给出的目标图像,学习一个直推向量机模型[1](Transductive Support Vector, TSVM);使用该模型对图像库中的所有待检索图像与目标图像的相似程度进行预测;根据预测结果计算图像对应的信息熵值,选择信息熵的绝对值最小的一组图像作为反馈图像,提交用户获取标记信息;将标注后的图像用于进一步学习直推向量机模型,上述训练过程迭代进行,直至达到用户满意的检索效果为止。结合提出的算法过程,本文在Visual Studio 2005平台开发和实现了这一图像检索系统,并在COREL图像库上对系统性能进行了实验验证,实验结果证明了系统的有效性。

1 相关工作

基于内容的图像检索(CBIR)方法可以被视作机器学习领域中的分类问题,即根据所给出的待检索图像,学习一个分类模型,利用该模型将图像库中的图像划分为目标图像和非目标图像。在检索过程中,一个首要的问题是如何克服图像的底层特征与高层语义概念之间的语义鸿沟。为了解决这一问题,相关反馈技术通过向用户提交查询的方式,让用户提供一部分图像的语义信息,根据反馈图像中的语义信息,提升系统检索的准确度。另外,随着用户提交反馈次数的增加,学习系统逐步将反馈的图像添加到学习系统的训练集中,并使用增量学习的方式,学习用户提供的语义知识。值得注意的是,使用相关反馈技术的CBIR系统的学习方式与主动学习算法具有很大的相似性,因此,利用主动学习算法设计相关反馈,提升CBIR系统的精度,这一做法越发受到研究人员的广泛重视,成为研究热点。

目前,已有一些研究人员致力于将主动学习算法应用于相关反馈技术中,并取得了良好的实际效果。这些做法可以分为两大类。第一类是委员会投票方法[2,3],此类做法的特点是在同一个图像集上同时学习多个分类模型,并使用这些模型对同一个无标注图像的类别进行投票,选择分类模型差异程度最大的图像作为反馈图像;第二类是基于不确定度的反馈方法[1],这类做法的特点是使用当前分类模型对无标注图像的类别进行预测,并根据分类模型的预测结果计算分类模型对图像的置信度,再选择当前分类模型最不确定的图像交由用户进行反馈。

首先,训练集已知的情况下,Platt提出一种贪心算法[4],根据无标记样例对应的未来期望误差,从无标记样例集合中选择训练样例,目的是通过选择未来期望误差最小的样例,逐步搜索主动学习算法的全局最优解。但是,这一做法的缺点是,为了计算每个无标记样例的未来期望误差,需要分别计算该样例被添加正类标记和负类标记后对分类模型的影响,即多次重新训练分类模型。如果无标记样例数量巨大,这一做法的计算消耗很大,因此,很难满足检索系统的要求。近年来,支持向量机模型以其在小样本学习问题上的卓越性能受到了广泛关注。针对该支持向量机模型的启发式主动学习算法也随之得到了更多的研究与使用,例如:Schohn提出了一种启发式的SVM主动学习算法,通过核空间将图像的底层特征维度无限放大,获得了一个特征维度数目远远高于样本数量的稀疏空间,而主动学习的做法是选择包含尽可能多的维度信息的样例作为包含信息含量最高的样例。事实证明,这种方法不但可以获得近似于贪心算法的结果,而且运行效率更高[5]。在该类做法中,包含维度信息最多的样例主要集中在距离支持向量机的分类超平面较近的位置,因此,这一主动学习算法主要选择距离分类界面最近的样例作为反馈样例。与Schohn的做法不同的是,Zhou提出了SSAIR算法[6]。该算法通过利用半监督学习中的co-training算法,结合主动学习中的co-testing模式,使用co-training中训练得到的两个分类模型对测试样本进行投票分类,最终,采用两个分类模型产生分歧的样本作为供用户反馈的备选样本。与其它用于该领域的主动学习算法不同的是,这一做法改变了传统反馈图像集由用户在前次检索中系统认定的与待查询图像最相关的那些图像来构成的定则,而是通过分类模型的投票来选择反馈图像集,尽最大可能改进检索系统的性能。

以上两类做法中,第一类方法需要同时学习多个模型,计算量和时间消耗较大,为了满足图像检索系统的实时性要求,本文选择第二类方法选择反馈图像。事实上,Schohn和Zhou提出的主动学习算法的共同特点是,认为分类模型最不确定或者置信度最低的样例是无标记图像中信息含量最大的样例,在具体做法中则表现为多个分类模型彼此间分歧最大或者距离分类超平面最近的样例,选择这些样例进行标记,可最大限度提高分类模型的性能。与这些方法不同的是,本文提出一种最大信息熵的主动学习算法,在所有无标注样例中,选择样例对应的信息熵值最大的样例点作为信息含量最大的样例,并以此作为反馈样例。算法的目的是在有限的检索时间条件下,更加有效衡量样例的信息含量,由此提高检索系统的性能。

2 基于主动学习的相关反馈算法

2.1 信息熵最大化采样策略

本节详细介绍了信息熵最大化这一采样策略,为了方便理解,首先给出问题的基本概念。因为基于相关反馈技术的图像检索系统是一个迭代的学习过程,这里假定在第t轮迭代中,训练集表示为Tl={(x1,y1),…,(xl,xl)},其中,x∈X,y∈Y分别表示训练样例及其对应的标记信息。因为图像检索可看作是将待检索图像划分为正类和负类的过程,故有Y={+1,-1}。本文使用TSVM作为分类模型,则在当前迭代步中,TSVM算法学习的分类超平面为:

这里,K(x,xi)和K(x,x*j)分别表示训练样本和无标记样本在核空间的距离,b是偏差项。对于任意一个无标记样本x*j∈U,不考虑相同的归一化系数,该样本与分类超平面之间的距离是:

鉴于TSVM模型仅能提供无标记样本与分类界面之间的距离,而无法提供样本与对应的类别标记之间的精确概率输出,为此,本文在这里使用了sigmoid函数,通过拟合的方法获得样本对应类别标记的后验概率值,即:

其中,参数A和B使用Platt[7]中的优化算法,迭代求解得到。根据无标记样本对应的后验概率值,无标记样本对应的信息熵值可以通过下式计算:

根据计算得到的信息熵值,选择信息熵值最大的样本,作为本轮迭代中最适合加入到训练集中的无标记样本x*t即:

2.2 基于主动学习的相关反馈过程

信息熵是信息论中反映样本信息含量的指标之一,鉴于此,信息熵也经常在机器学习算法中作为样本信息含量的度量标准。值得注意的是,在公式(5)中,分类模型对无标注样本的预测概率越接近于0.5,无标注样本对应的信息熵值越大,该样本的不确定程度也就越大。在这一点上,信息熵最大化采样策略与基于不确定程度的采样策略的目标是一致的。在图像检索的相关反馈过程中,本文使用信息熵最大化采样策略,由待检索图像中选择反馈图像,提交用户做出标记,将标记后的样本用于分类模型的训练过程,这个过程迭代进行,直至用户满意为止。下面,给出了基于主动学习的相关反馈的算法过程。

算法:基于主动学习的相关反馈算法

输入:标记图像集L,无标记图像集U,反馈图像数量n

输出:检索结果

BeginFort=1

(1)在标记图像集L上学习TSVM分类模型,获得公式(1)中的分类超平面;

(2)根据分类超平面,使用公式(2)计算每一个无标记样本与该分类界面之间的距离;

(3)通过公式(3)中的sigmoid函数拟合,获得无标记样本对应的后验概率值;

(4)使用公式(4)逐个计算无标记样本的信息熵值;

(5)选择信息熵值最大的n个无标记样本作为反馈图像,提交给用户进行标记;

(6)L=L∪{(xi,yi)}undefined,U=U-{xi}undefined;

(7)如果用户对当前检索结果满意,则结束,否则返回步骤1,t++。

EndFor

在上面的反馈过程中,每轮迭代中,检索系统返回信息熵最大的一组样本提交给用户标注,该做法可以减少迭代次数,在用户可接受的范围内,尽可能多地提供标注样本用于训练。

3 实验结果与分析

3.1 数据库及实验设计

本实验使用COREL图像库中的3类图像作为待检索图像,每类图像包含100幅图像,这3个图像类别分别是鹰,鱼和马。本文分别提取每一幅图像的特征组成样本集合,使用TSVM作为分类模型,用于从CBIR系统中获得检索结果。在每一组实验中,首先,从待检索图像中随机抽取一幅图像作为目标图像,训练TSVM模型;根据该模型的预测结果,计算每一幅图像的信息熵值,并选择信息熵最大的五幅图像作为反馈图像(n=5);提交用户标记后,将反馈图像和标记用于训练TSVM模型,同时给出检索结果;该过程循环进行,直至达到结束标准为止。本文使用查全率(precision)作为图像检索结果的评价标准,其中,检索系统划分的相关图像数量是100幅,召回图像数量是20幅。

3.2 实验结果

在表1和表2中,本文给出了反馈次数为5次,并使用不同的图像底层特征条件下,在不同语义类别上,CBIR系统的检索结果。从实验结果可以看出,使用最大熵作为样本信息含量的度量标准,基于主动学习的相关反馈技术在图像检索系统中取得了良好的检索结果。随着反馈次数的增加,CBIR系统的检索结果得到逐步提高。同时,表1和表2的对比还可以发现,颜色稀疏和相关图组成的混合特征获得了比SIFT特征更好的检索结果,这是因为前者的维度高于后者,提供了更多的图像底层语义信息,由此而提高了检索效果。

在图1和图2中,本文给出了使用基于主动学习的相关反馈技术在CBIR系统中的检索结果。除了使用COREL图像库作为检索图像库之外,本文还增加了VOC图像库(包含20类,共计5 011幅图像)作为检索图像库,对所提出方法进行实验验证。从图1和图2中可以看出,基于主动学习的相关反馈技术可以有效提升CBIR系统的检索性能。

4 结束语

本文利用了主动学习算法在选择训练样本方面,相对于随机选择方法的优势,提出了一种基于主动学习的相关反馈技术。在所提出的技术中,算法利用了分类模型最不确定的样本可以提供更多反馈信息的特点,使用信息熵作为样本信息含量的度量标准,选择每轮迭代过程中,信息熵值最大的样本作为反馈样本,达到了增量学习,提升检索系统性能的目的。本文使用COREL图像库和VOC图像库,对所提出方法的性能进行验证,实验结果证明所提出方法的有效性。

摘要：相关反馈(reference feedback)是信息检索领域中一种常用技术,近年来,该技术被广泛应用与基于内容的图像检索(CBIR)领域中,旨在通过用户与图像检索系统间的交互过程,克服图像底层特征与高层语义之间的语义鸿沟问题。将主动学习算法结合到相关反馈技术当中,其目的是利用主动学习算法,从无标记图像集中选择最具有信息化的部分图像作为反馈图像,减少用户与系统之间的反馈次数。在COREL图像库和VOC图像库上,对基于主动学习的相关反馈技术进行实验验证,实验结果证明了,基于主动学习的相关反馈技术可以有效提高图像检索系统的性能。

关键词：基于内容图像检索,相关反馈,主动学习,样本选择

参考文献

[1]CHEN J X.Active learning for transductive support vector machineswith applications to text classification[J].计算机科学,2004,31:242-244.

[2]ABE N,MAMITSUKA H.Query learning strategies using boosting andbagging[C]//Proceedings of 15th International Conference on MachineLearning.Madison.WI,1998:1-9.

[3]SEUNG H,OPPER M,SOMPOLINSKY M.Query by committee[C]//Proceedings of 5th ACM Workshop on Computational LearningTheory.Pittsburgh,PA,1992:287-294.

[4]PLATT J.Fast training of support vector machines using sequentialminimal optimization.advances in kernel methods:support vectorlearning[M].Cambridge:MIT Press,1998:42-65.

[5]SCHOHN G,COHN D.Less is more:active learning with support vec-tor machine[C]//Proceedings of 17th International Conference of Ma-chine Learning.Stanford,CA,2000:204-211.

[6]ZHOU Z H,CHEN K J,JIANG Y.Exploiting unlabeled data in con-tent-based image retrieval[C]//Proceedings of the 15th EuropeanConference on Machine Learning.Pisa,Italy:LNAI 3021,2004:525-536.

[7]PLATT J C.Probabilistic outputs for support vector machines and com-parisons to regularized likelihood methods.Advances in Large MarginClassifiers[M].Cambridge:MIT Press,1999:61-74.

相关反馈技术 篇2

为了不断提高各级医务人员的业务水平减少工作中的失误不断总结经验更好为患者服务特制定本科重点病例随访与反馈制度。

一、本科医务人员每人必须有一个记录簿,记录重点病例，特别是较特殊的疑难病例资料。

二、记录手术患者的资料包括姓名、性别、年龄、住址、联系电话、检查日期、检查号等。

三、科室每月派人到病理科或临床科室进行追踪随访和记录。随访内容包括：病人的影像检查诊断、临床诊断、术中所见、病理组织学诊断、资料效果等，逐项记录、特殊情况应在备注中说明，以备复审。

四、定期或不定期对各自记录的重点病例进行随访，了解患者的诊断治疗情况或在外院检查治疗情况并作好记录。必要时科室共同分析讨论并做好记录，总结经验教训，提高诊断质量。随访时应认真听取临床医生的意见和建议，及时汇报科室以便整改。

五、通过患者信息反馈论证我们检查诊断的结果是否一致，若有不同差别，分析差别原因。若属诊断有不足，找出不足的原因并进行整改提高。

高新技术创新项目绩效反馈研究 篇3

[关键词] 高新技术 技术创新 绩效反馈

随着世界一体化、经济全球化、资产证券化趋势的日益增强，高新技术创新在经济增长中发挥的作用也越来越大，高新技术创新项目中的核心资源——项目研发团队的积极性和创造性的发挥也越来越成为高新技术创新项目成功的关键。因此如何评价项目研发团队的工作成果就成了高新技术企业技术创新项目管理中的一个重要环节。针对目前企业虽然对高新技术创新项目进行绩效评价，但对绩效评价结果缺乏认真分析和有效的解读的情况，本文将对高新技术创新绩效反馈的相关内容进行系统的分析。

一、高新技术创新项目绩效反馈的重要性

高新技术创新项目绩效反馈贯穿于高新技术创新项目绩效评估始终，并具有动态性、及时性和激励性三个特征。高新技术创新项目绩效反馈作为高新技术创新项目绩效管理的最后一步，是由考核人员将高新技术创新项目绩效评价的结果反馈给项目研发团队，让研发团队明确自身的优势和不足，做到扬长避短，使研发团队的工作效率得以持续改进。考核者还通过与研发团队回顾与讨论技术创新绩效评价的结果，制定相应的改进措施，对研发团队进行激励、奖惩和培训。因此,有效的绩效反馈对绩效管理起着至关重要的作用。

首先，高新技术创新项目绩效反馈是提高高新技术创新项目绩效的保障。当高新技术创新项目绩效评价过程结束后，考核者会把评价结果通知被考核者——项目研发团队，但是项目研发团队在很大程度上不了解评价结果是如何得到的，这就需要考核者将评价过程，特别是项目研发团队的工作成果情况进行详细的介绍，指出项目研发团队的优缺点。

其次，高新技术创新项目绩效反馈是保证绩效评价过程公正的基础。由于高新技术创新项目绩效评价与该项目研发团队的切身利益息息相关，评价结果的公正性就成为人们关心的焦点。但是考核者在绩效评价过程中不可避免地会掺杂自己的主观意识，这将会导致评价过程的不公正。通过绩效反馈，可以让项目研发团队拥有了知情权和发言权，在绩效反馈的过程中，程序化的绩效申诉可以有效地降低主观因素所带来的不公正效应，在考核者与项目研发团队之间找到了结合点，对完善整个高新技术创新项目绩效管理体系起到了积极作用。

虽然高新技术创新项目绩效反馈在高新技术企业技术创新项目绩效管理中起着重要的作用，但是在实际工作中，许多高新技术企业经常忽视绩效反馈，通常只是简单地将技术创新项目绩效评价结果告诉研发团队，缺乏对绩效评估结果有效分析和有效解读。因此在以后的高新技术创新项目绩效评价的过程中，必须加强绩效反馈的工作，使研发团队了解自己的绩效高低，确定团队完成研发目标的程度。总之，加强绩效反馈，不仅能提高技术创新项目研发团队的工作绩效，还能改善研发团队的工作态度。

二、高新技术创新项目绩效反馈应遵循的原则

1.经常性原则

高新技术创新项目绩效反馈应当贯穿于高新技术创新项目绩效评价整个过程，是经常性的，而不应仅在年终评估后进行。在进行绩效反馈时，绩效评价的考核者一旦认识到高新技术创新项目绩效中存在缺陷，就有责任立即去通知项目研发团队，而不应该等到绩效评价过程结束后再告诉项目研发团队。

2.全面性原则

成功的高新技术创新项目绩效反馈来自事前全面的准备。首先,在进行高新技术创新项目绩效反馈前,考核者就应该做好全面的反馈计划,具体包括采用绩效反馈的方式,绩效反馈的内容以及绩效反馈要达到的目的等。其次,考核者应该全面收集与高新技术创新项目绩效相关的各种信息资料，重点在于研究项目研发团队的工作职责和工作目标，将其实际工作绩效与工作所要达到的标准相对照,作为绩效反馈的依据。最后,要全面分析项目研发团队成员的心态。

3.准确性原则

高新技术创新项目绩效反馈的方式选择要准确。绩效反馈一般通过语言沟通、暗示以及奖励等方式进行。没有特别的某一种反馈方式在任何情况都是有效的，任何一种反馈方式都会产生3种效果：研发团队以积极的态度回应考核者反馈、研发团队以消极的态度回应考核者反馈以及研发团队对绩效考核产生曲解和敌意。考核者要根据当时的情况，准确地选择有效的高新技术创新项目反馈方式。

4.重点性原则

把握重点性原则，考核者与研发团队都应将反馈的重点放在解决绩效问题、寻找改进措施上，而非仅仅批判不良绩效表现上。考核者在高新技术创新項目绩效反馈方面通常会犯的一个错误是，他们往往把绩效反馈看成是一个对绩效不良研发团队进行惩罚的一个机会，这种做法只会起到伤害研发团队的自尊以及强化他们的抵触情绪的作用。要解决这类问题，应该把绩效反馈的重点放在研发团队的行为或者结果上， 努力解决造成不良绩效的原因，而不是直接放在研发团队本身上。

5.参与性原则

突出参与性原则，应该鼓励项目研发团队积极参与到高新技术创新项目绩效反馈过程中，让研发团队和考核者在一种相互尊重和相互鼓励的氛围中讨论如何解决员工绩效中所存在的问题。研发团队通过参与绩效反馈，让他们介入对自己的运作和工作目标有影响的决策中，可以形成对企业的归属感、认同感，进一步满足自尊和自我实现的需要。

６.正激励原则

人们通常认为，高新技术创新项目绩效反馈过程的焦点应当是集中在找出研发团队绩效中所存在的问题上，然而事实却并非如此。绩效反馈的目的是提供准确的绩效反馈。这其中既包括查找不良绩效，也包括对有效业绩的认可。赞扬研发团队的有效业绩有助于强化研发团队的相应行为。此外，它通过清楚地表明管理者并不仅仅是在寻找员工绩效的不足而增加了绩效反馈的可信程度。

三、高新技术创新项目绩效反馈存在的问题

高新技术创新项目绩效反馈在高新技术创新项目绩效管理中发挥着如此重要的作用，然而，在高新技术企业绩效管理实践过程中，绩效反馈却成了最薄弱、最容易被人忽视的一个环节。高新技术创新项目绩效反馈存在的问题主要有以下几个方面：

1.绩效反馈缺乏制约性

一些考核者对绩效反馈工作认识不够，导致高新技术创新项目绩效评价结束后的绩效反馈工作可有可无，有的考核者甚至表现出抵触情绪。而高新技术企业缺乏对绩效反馈工作的制约，没有建立相应的制度或虽有制度却形同虚设，执行不严格。

2.绩效反馈缺乏有效性

受封建思想的影响，我国领导的家长制作风和职权在管理中的影响时有，研发团队成员对考核者多是采取顺从迎合的态度，不敢将自己的意见真实地反映给考核者。因此绩效反馈在绝大多数的情况下是形同虚设，最终还是以考核者的评价结果为标准。

3.绩效反馈缺乏时效性

有的考核者在对技术创新项目绩效评价结束后，不能及时地向项目管理者和项目研发团队反馈信息，拖延时间较长，使正常的分析工作不能及时进行，进而影响激励、改进等工作的深入进行。

4.绩效反馈过程缺乏沟通

许多高新技术企业在进行绩效反馈的时候，仅仅将反馈当作管理层的一个单方面措施来推行，没有通过沟通告知研发团队这种工作的目的和意义，会造成领导干部和普通员工对这种管理的误解。

5.绩效反馈主体缺乏培训

考核者无意识或无能力将高新技术创新项目绩效评价结果反馈给项目研发团队，这种情况出现往往是考核者本人未能真正了解高新技术创新项目绩效评价的意义与目的，加上缺乏良好的沟通能力和民主的企业文化，使得考核者没有驾御反馈绩效考核结果的能力和勇气。

四、改善高新技术创新项目绩效反馈的建议

绩效反馈方式的好坏直接影响到激励效果。在绩效反馈过程中，适当地注意改善反馈途径和方法可以使激励效果事半功倍。

1.规范企业法规，重视反馈工作

高新技术企业应该制定专门的规章制度来规范和约束绩效反馈工作，把绩效反馈融入到整个绩效管理体系中，在考核者和项目研发团队之间形成以考核者为行为实施主体、项目研发团队为辅助监督的关系体系，使绩效反馈发挥出提高项目研发团队绩效和监督考核者的双重功效。

2.设立专门的怨诉渠道

设立一个正式的怨诉程序，可以使项目研发团队通过正式的途径表达不满而不是带着抵触情绪影响工作效率，同时也可以促使考核者以积极的态度努力地去解决项目研发团队的不满，从而真正培养起项目研发团队对企业的向心力，引导项目研发团队的个人目标与企业的整体目标协调一致，最终达到效激励的目的。

3.绩效反馈要具体、及时

在绩效管理的过程中，考核者应针对项目研发团队具体的行为或事实进行反馈，同时要将绩效评估的结果及时地反馈给项目研发团队并能得到项目研发团队的认同，绩效反馈才能达到预期的作用。在实际工作中，可以规定在绩效评估工作开始之后的固定时间内，考核者必须将考核进行的情况反馈给项目研发团队。

4.加强双方的沟通

绩效反馈仅仅是一个过程而不是目的，在这一过程中，沟通起着相当重要的作用。一个正确而成功的沟通程序是自上而下与自下而上的沟通达到平衡。首先，经常沟通能使项目研发团队认识到绩效管理不是和他们作对，而是为了达到组织和团队的双赢；其次，及时沟通可以使得绩效评价与反馈不出乎研发团队的意外，从而避免在评估结果不好时研发团队产生对抗情绪；再次，通过沟通可以使组织了解研发团队的真实需要从而改变绩效反馈策略。

5.提高反馈主体素质

绩效反馈的效果好坏直接就体现在反馈主体的反馈技巧上，因此對反馈主体进行有针对性的技术培训，提高反馈主体的素质是非常重要的。反馈技术培训的内容应当包括怎样选择适宜的时间和地点，怎样组织面谈反馈的过程，怎样针对不同类别的员工采取不同的沟通方式等。对绩效反馈主体的培训应该是有计划、有针对性地进行，这样不仅能够加强绩效反馈的效果，同时也提高了考核者的业务素质和管理能力。

参考文献:

[1]冯明:360度绩效反馈作用机制研究.博士论文.杭州:浙江大学，2000

[2]张宏云:基于胜任特征模型的360度反馈评价研究．硕士论文．北京：中国科学院心理研究所，2001

[3]王雁飞:企业员工成就目标定向研究．博士论文．北京:中国科学院心理研究所，2002

[4]王永丽时勘:上级反馈对员工行为影响的研究．心理学报，2003

[5]陈锷原二军:人力资源经MBA强化教程．北京:中国经济出版社，2002

[6]赵筠:绩效管理的问题及解决之道.人力资源开发与管理，2002，(3)

[7]朱训伟许广永:如何规避绩效评估中的偏差．人力资源开发，2004，(2)

基于网络结构的图像检索相关反馈 篇4

基于内容的图像检索CBIR (Content Based Image Retrieval) 是指利用图像的视觉内容, 如颜色、纹理、形状、空间布局、语义等, 从大量图片数据库中搜索用户感兴趣的图片。由于CBIR系统给出的初始检索结果往往不能很好地满足用户的需求, 为此, 人们将相关反馈RF (Relevance Feedback) 技术应用到图像检索领域[1]。文献[2]假设特征分量间相互独立, 用所有正例样本在各个特征分量上取值标准差的倒数作为该分量的权值, 从而动态地调整特征分量的权重, 算法依赖于正例样本且样本数越多, 反馈效果越好, 如果全部是负样本或只有一个正例样本, 权重将不会被调整;文献[3, 4]把反馈回的相关和不相关图像看成两类问题, 通过建立SVM分类模型, 来分类图像库中的图像, 但如果只有相关图像或只有不相关图像, 将无法建立SVM分类模型;文献[5, 6]把粒子群优化算法应用到图像检索相关反馈中, 文献[5]把用户反馈回的所有相关图像的平均位置作为全局最优位置, 指导粒子的运动方向, 最终把全局最优位置附近的图像反馈给用户, 其算法的本质是查询点移动, 并且最优查询点已经知道, 文献[6]用粒子群优化算法动态调整图像特征分量权重, 使目标图像与相关图像相似性变大, 与不相关图像相似性变小, 但由于特征向量维数巨大, 计算出的最优权重空间泛化能力差, 并且群优化算法的时间复杂度高;文献[7-9]通过用户和产品的二部图表示建立资源分配矩阵, 并成功应用到推荐系统中, 图像检索中的相关反馈过程也可以看作一种用户查询偏好的建立, 图像看作一种资源, 因此本文提出了一种基于网络结构的图像检索相关反馈算法, 首先对图像进行颜色、纹理、形状的特征提取, 用底层特征进行相似比较, 返回初始查询结果, 在反馈阶段, 动态构造用户反馈矢量, 用离线建立好的图像之间的资源分配矩阵乘以用户反馈矢量, 实现资源的扩散, 最终重排图像, 实验结果表明, 算法能够有效地提高检索性能。

1 图像底层特征提取

颜色直方图是对图像中的像素按照颜色在不同的量化区间的分布数量的统计, 描述不同色彩在整幅图像中所占的比例, 其具体提取方法为:

(1) 将原始图像从RGB空间转换到HSV空间;

(2) 如果直接用HSV空间的颜色直方图来描述整幅图像;计算量将非常巨大, 因此需要对HSV空间进行量化[10], 量化比例为16 (色调) ∶4 (饱和度) ∶4 (亮度) ;

(3) 统计不同量化区间的颜色数量, 整幅图像的颜色直方图信息表示成1×256维的特征向量f1。

边缘方向直方图特征提取是在边缘检测理论基础上提出的, 该方法首先剥离出原始图像的边缘, 计算出每个边缘点的方向, 然后统计每个方向上的边缘点数目构成边缘方向直方图, 以此作为图像的形状特征, 其具体提取方法为:

(1) 将原始RGB图像转化为灰度图像;

(2) 用Sobel边缘算子[11]对图像进行边缘检测;

(3) 计算每个边缘点的方向, 分别统计方向在[0°, 90°) 、[90°, 180°) 、[180°, 270°) 、[270°, 360°) 区间内的边缘点个数, 整幅图像的边缘方向直方图信息表示成1×4维的特征向量f2。

灰度共生矩阵从数学角度研究了图像纹理中灰度的空间依赖关系, 根据图像像素间的方位和距离关系构造共生矩阵, 然后从共生矩阵中提取有意义的统计量作为纹理特征的描述, 其具体提取方法为:

(1) 将原始RGB图像转化为灰度图像;

(2) 分别计算灰度图像4个方向上 (0°、45°、90°、135°) 的灰度共生矩阵, 并提取每个共生矩阵的对比度、相关性、能量、同质性4个统计量;

(3) 计算每个统计量的均值和方差, 组成1×8维的纹理特征向量f3。

利用文献[2]的方法, 分别规格化特征向量f1、f2、f3的特征分量取值到[0, 1]区间, 最终图像j的底层特征表示为1×268维的向量fj=[f1, f2, f3]=[a1j, a2j, …, a268j]。

2 基于网络结构的相关反馈

2.1 资源分配矩阵的建立

假设特征分量个数为m和图像总数为n, 每幅图像的底层特征已由第1节的方法获得, 在推荐系统中, 通过用户和产品的二部图表示, 利用式 (1) 建立资源分配矩阵:

而我们现在已经拥有了m个特征分量和n张图像的二部图, 所不同的是图像j和特征分量i之间的连接aij (i=1, 2, …, m;j=1, 2, …, n) , 表示图像j在特征分量i上的取值, 有别于推荐系统中的1 (选择过) 或者0 (没有选择过) , 由于此时aij的取值区间为[0, 1], 为了更好地反映出资源j与资源i之间的相似性, 需要考虑特征分量取值之间的差异, 差异越大, 相似性越小, 定义如下:

利用式 (2) 建立图像之间的资源分配矩阵W, 其中kj表示图像j的特征向量的所有特征分量取值之和, kl表示所有图像的特征向量在特征分量l上的取值之和, 资源分配矩阵的每一项wij表示图像j愿意分配多少资源给图像i, 通常拥有资源的图像会把更多的资源交给自己更青睐的图像, 因此图像j和图像i越相似, 则wij越大。

2.2 用户反馈矢量的表示

在推荐系统中, 构造n维的0/1矢量代表个体的初始资源分配, 在图像检索相关反馈过程中, 用户标记的相关和不相关图像可以看作一种查询偏好, 为了充分利用用户反馈信息和快速获取用户需求, 相关资源 (相关图像) 和不相关资源 (不相关图像) 需要同时传递, 共同作用, 定义反馈矢量f=[f1, f2, …, fn]T, 没有反馈前, fi=0, i=1, 2, …, n, 每次反馈得到相关和不相关图像, 如果图像i相关, 则fi=pi;若图像i不相关, fi=ni, 其中pi代表正激励, 是一个正的可调参数, ni代表负激励, 是一个负的可调参数, pi和ni通过实验获得。通过计算矢量R=W×f实现图像资源的扩散和重排, 由于反馈矢量f中的相关图像和不相关图像倾向于把资源传递给与自己相似的图像, 所以R中的值越大, 说明和相关图像越相似, 越应该反馈给用户。

2.3 改进资源分配矩阵

假设用户检索目标是包含特征分量f1和特征分量f2的图像, 通过反馈得到用户标记的相关图像P1和P2, 其中P1包含特征分量f1, P2包含特征分量f2, 如果图像库中有图像P3同时包含特征分量f1和f2, 则图像P1和P2都对图像P3产生资源分配, 总强度为2 (P1和P3因为f1关联, P2和P3因为f2关联, 关联强度假设都是1) 。考虑另一种情况, 用户标记的相关图像P4和P5都包含特征分量f1, 但不包含特征分量f2, 如果图像库中有图像P6也包含特征分量f1, 且不含特征分量f2, 则图像P4和P5也对图像P6产生资源分配, 总强度也是2。虽然强度一样, 但用户更加喜欢P3排在P6的前面, 因为P3既包含特征分量f1, 又包含特征分量f2;而P6只包含特征分量f1, 很显然, 来自图像P4和P5的资源分配包含重复属性特征分量f1, 如果两个图像资源在对另一个图像分配资源时包含了重复的属性, 则这个属性就会导致它们的自身关联, 为了降低这种重复属性的影响, 可以考虑图像之间的二阶关联, 由于P4和P5自身具有较强的关联, 所以从P4经由P5到P6和从P5经由P4到P6的二阶关联应该比较强, 而P1和P2自身具有较弱的关联, 从P1经由P2到P3和从P2经由P1到P3的二阶关联应该比较弱, 从原来的资源分配矩阵中适当减去二阶关联, 将提高反馈中的重排效果, 定义改进后的资源分配矩阵W'为:

其中a是一个正的可调参数, 通过实验获得。

2.4 具体算法步骤

离线阶段:

(1) 对图像库的每幅图像进行颜色、纹理、形状的特征提取, 组成268维的特征向量;

(2) 建立资源分配矩阵W和W';

算法1:

在线阶段:

(1) 对查询图像进行底层特征提取;

(2) 查询图像同图像库中所有图像进行特征相似比较, 返回初始检索结果;

(3) 相关反馈阶段。

算法2:

3 实验及结果分析

3.1 测评平台

实验用MATLAB 7.0编写的仿真程序, Windows XP操作系统, Intel (R) Core (TM) 2 Duo CPU E8400@3.00GHz处理器, 2GB内存的PC机。

3.2 实验准备

选取Corel标准图片库进行实验, 图片库共包含1 000幅图片, 分为10个类别:Africa、beaches、monuments、busses、dinosaurs、elephants、flowers、horses、mountain、cookie/food, 每个类别均包含100幅图片。

反馈过程中, 只对前20幅图像标记相关和不相关, 作为反馈学习样本, 数据的获得是通过计算每一幅图像的检索精度, 最后1 000幅图像求平均。

3.3 评价指标

图像的查准率是指在一次查询过程中, 系统返回的相关图像数目占所有返回图像数目的比例, 查全率则指系统返回的查询结果中相关图像数目占图像库中所有相关图像数目的比例。

3.4 实验结果

图1给出了正激励pi取不同值时的检索精度对比, 实验过程中, 负激励ni固定为-1, 由图可知, 当pi=2, 检索精度最高, 因此固定正激励和负激励分别为2和-1。

图2给出了参数a取不同值时的检索精度对比, 由图可知, 当a=0.25时, 检索精度最高, 因此固定可调参数a为0.25。

为了验证本文方法的有效性, 基于网络结构的方法 (NS) 同传统的图像检索相关反馈方法[2] (RUI) , 和基于SVM的相关反馈方法[3] (SVM) 进行了比较, 把改进资源分配矩阵的算法称为NS-2, 表1为不同方法top20检索精度对比, R0表示初始检索, R1-R5分别表示第1~5次反馈, 随着反馈次数的增加, RUI和SVM的反馈效果都不明显, 检索精度增长缓慢, 而本文算法, 检索精度增长快。

表2是反馈2次后不同方法在查全率分别为0.2、0.4、0.6、0.8、1.0时, 对应的查准率, 基于网络结构的算法在每个查全率下, 查准率都高于RUI、SVM, NS-2方法由于适当减小了重复属性的影响, 检索效果优于NS, 验证了2.3节提出的改进算法的有效性。

3.5 实验分析

通过以上实验发现, 基于网络结构的相关反馈算法不仅简单, 而且反馈效果出色, 其主要优点有: (1) 具有很强的鲁棒性, 用户反馈回的图像不管是只有相关图像, 或者只有不相关图像, 下次反馈都能继续进行; (2) 反馈效率高, 时间复杂度低, 算法的大部分工作是离线进行的 (建立资源分配矩阵) , 在线阶段, 只需要完成简单的矩阵乘法运算, 就可以实现图像重排; (3) 用户查询偏好简单有效地表达, 反馈是一种递增形式, 用户多次反馈后, 反馈信息不断累积, 反馈矢量包含越来越多的相关和不相关图像激励, 检索效果越来越好。

4 结语

本文利用用户标记的相关和不相关图像动态构造反馈矢量, 把反馈矢量看作用户的查询偏好, 用事先在特征空间建立好的图像之间的资源分配矩阵乘以反馈矢量, 得到重新排序后的图像。通过对1000幅图像的实验表明, 反馈后, 查准率和查全率都提高了, 而且随着标记的相关和不相关图像增多, 检索效果越来越好。

参考文献

[1]吴洪, 卢汉青, 马颂德.基于内容图像检索中相关反馈技术的回顾[J].计算机学报, 2005, 28 (12) :1969-1979.

[2]Rui Y, Hhang T S, Ortega M, et al.Relevance feedback:a power tool in interactive content-based image retrieval[J].IEEE Transactions on Circuits and Systems for Video Technology, 1998, 8 (5) :644-655.

[3]张磊, 林福宗, 张钹.基于支持向量机的相关反馈图像检索算法[J].清华大学学报, 2002, 42 (1) :81-83.

[4]周新虹, 彭玉华, 刘勇, 等.基于多尺度分析和SVM相关反馈的纹理图像检索[J].山东大学学报, 2008, 38 (2) :2-6.

[5]许相莉, 张利彪, 刘向东, 等.基于粒子群的图像检索相关反馈算法[J].电子学报, 2010, 38 (8) :1936-1940.

[6]唐朝霞, 章慧, 徐冬梅.一种改进的粒子群算法和相关反馈的图像检索[J].计算机科学, 2011, 38 (10) :278-280.

[7]Zhou T, Ren J, Medo M, et al.Bipartite network projection and personal recommendation[J].Physical Review E, 2007, 76:046115.

[8]Zhou T, Jiang L L, Su R Q, et al.Effect of initial configuration on network-based recommendation[J].Europhysics Letters, 2008, 81:58004.

[9]Zhou T, Su R Q, Liu R R, et al.Ultra accurate personal recommendation via eliminating redundant correlations[J].arXiv:0805.4127.

[10]Manjunath B S, Ohm J R, Vasudevan V V, et al.Color and texture descriptors[J].IEEE Transactions on Circuits and Systems for Video Technology, 2001, 11 (6) :703-715.

[11]陈宏.基于形状特征的图像检索[D].西安:西安电子科技大学, 2010.

信息技术教研组常规检查情况反馈 篇5

信息技术教研组：阮静

信息技术，说起来是一个弱势学科，在很多人看来，它不用高考，不会有教学压力，应该也不用那么认真。然而，应该比较少有人想到，教学对一个老师来说，重不重要是由自己来定位的，弱势学科的我们还是国家标准课程之一，对学生来说，这是一门不用高考的科目，可同样也是一门必修科目，学习最基础的知识技能对学生来说是非常重要的。所以信息技术组的老师们都有很认真对待自己的课，认真备课认真教学。

对于这次的常规检查，信息技术教研组主要是检查了学科学期教学计划、教学进度、教师教案、课堂教学、听课笔记、教研、集备、作业批改等有关情况。信息技术老师基数少，从3个人的检查结果中可以看到教研组整体表现较好。

一、表现好的点：

1.教师教案的设计与书写整体比上次有所提高，反应出教师备好课、上好课的认真务实的态度。备课数量都达到了要求，教学设计都能体现出自己的特色；备课中体现了新理念、新教法，注重学生能力、情感、态度、价值观的培养。

2.信息技术老师少，每个人的上课数比较多，老师们的听课大多都是跨学科听课，积极来完成此项工作。

3.虽然信息技术老师人少，但都有积极准时开展相应教研活动和集体备课活动，教研、集体备课的效果比较好。

4.我们学科的作业大部分是电子版的小制作或者编程设计，但是学生作业的数量、质量，还有教师的批阅都做得很到位。

二、存在的问题：

1.部分老师的学科教学计划以及第二课堂活动安排做得不是很认真； 2.3.备课组长的备课笔记书写较简单，内容过于简单，有应付现象； 部分老师的教学设计相对比较简化，在教案设计中忽视板书的设计，教学设计中的教学过程缺少学生活动，教学反思有些疏忽；

4.部分教师没有在集体备课的教案基础之上结合本班实际做适当修改；

5.个别老师听课笔记内容简单，评价不详实，缺少针对性的评价。

三、反思建议：

1.2.3.4.5.写规范详细的教学设计，备好教学过程和教学方法，做到有效教学； 备课组要加强集体备课，同时注意备课笔记的书写；

相关反馈技术 篇6

尼克尔（Nichol）和麦克法伦-迪克（Macfarlane-Dick，2004）从文学研究中总结出七项反馈原则，用来帮助学习者进行自我调控。有效反馈原则可以：

帮助解释什么是好的学习表现（目标、标准、期望值）；促进学习者自我反省、自我评估的发展；为学习者提供高质量的学习状况信息；鼓励与教师、同学的学习对话；鼓励形成积极的学习动机和自豪感；有利于学习者达到自己所期望的成绩；有利于教师制定新的教学任务。

二、技术支持评估在七项有效反馈原则中的应用

原则一：有效反馈原则可以帮助解释什么是好的学习表现（目标、标准、期望值）。学生要提高自我调控能力及学习进程首先要清楚地理解达成学习目标的标准是什么（Sadler，1989；Black & Wiliam，1998）。在学术背景下，理解学习的目标意味着，学生头脑中的任务目标与老师设定的目标应该在很大程度上是一致的，这一点非常重要，因为自我调控的标准是由学生头脑中的标准确立的而不是由老师来确立的。然而，大量研究证明，老师与学生的学习目标与评估标准并不完全吻合。

在网上学习环境中，解释任务要求（标准、目标等）的一种常用方法是发表不同等级成绩的评估标准。然而，很多研究证明书面文件很难清楚列出评估标准。复杂的学习任务，其标准很难清晰的说明，而且老师更多地认为应当是默认的、无法表达的（Yorke，2003），因此，需要可以补充网上学习标准的策略。其中一种策略是提供网上讨论区，鼓励学生对评估任务及标准进行提问和讨论（Palloff & Pratt，2005）。

原则二：促进学习者自我反省、自我评估的发展。学生发展自我调控的最有效的方法之一是为其提供机会实践对自己学习各方面的调控（Pintrich，1995）。学生们在一定程度上已经在监测自己的学习意图与实际学习表现之间的距离了，这种监测是学生有意识学习的一种副产品。然而，为了系统地建立学生的自我调控能力，老师需要创造出更多有组织的机会使学生进行自我调控和进行式监控。自我评估任务与其他一些可以鼓励学生对自我学习进步的反思的活动都是很好的方法。

自我评估、自我调控的一个重要原则是学生可以辨别出能够应用于实践的评估标准以及相对于那些标准对自我学习做出自我评价的能力（Boud，1986，2000）。因此以上提到的原则一已被看作是有效实施原则二的先决条件。网络环境为自我评估提供了很多的方法与工具，其中最常用的是在网上创作并监控网络客观测试题，学生可以用来监测自己对某一话题或领域的理解（Bull & McKenna，2004）。参加网上测试的学生通常会得到一个总分或自动生成的评价作为他们理解程度的反馈。尽管这一方法在一定程度上实现了学生的自我调控，它有一定的局限。网上评估的另外一种形式是学生通过模拟进行互动，这种形式比客观测试更紧密地联系着学生的自我调控观念。在模拟活动中，学生可以直接、迅速、动态的得到自己行为的反馈（Thomas & Milligan，2004）这种反馈对学生来讲更加清楚，其与具体目标和标准的联系也更加透明。

原则三：为学习者提供高质量的学习状况信息。研究表明，老师不仅在为学生提供自我评估、自我改正的过程中发挥着重要作用，老师在为学生提供外部反馈中，也同样起着至关重要的作用，学生可以通过老师的反馈来检查自己内在的学习目标及评估标准，也可以发现自己的优势與劣势，及时提高不足之处。实际上，老师的反馈可以证实学生的自我调控能力。在网络环境中，老师可以对大量的学生进行反馈。丹顿（Denton，2001）创作出一种电子反馈系统帮助老师对学生作出反馈报告。这些报告包括综合评论、标准评论（针对于具体问题）和个人评论（针对于个人）。标准评论体现了这一系统的省时性，另外，电子稿要比老师的手写评论清晰可辨。网上反馈的一个不足之处在于，并没有研究证明究竟是哪一种反馈意见最有效。多数的研究关心的是反馈要及时、要针对高水平学习、不能带有审判式的语气。

原则四：鼓励与教师、同学的学习对话。如果外部反馈是用来帮助学生发展自我调控的能力，那么，学生必须理解、消化最终能够使用它来评价自己学习的结果，否则很难看出，它如何成为改正行为的基础。但是，有研究表明，学生并不理解所看到的反馈，因此很难应用它进行有效地改正。对外部反馈的理解的一种方法是使反馈成为一种对话而不是一种信息的传递。由于目前班级学生数量越来越多，老师只有使用网络电子设备才有可能实现与学生的对话。支持传统反馈方式的同时，电子反馈可以创造出新型的对话与评估方式（MacDonald，2003）。网上会议和公告栏，可以使老师轻松组织学生就某一话题进行讨论。这种不同步网上讨论有两大特点，一是讨论以书面形式进行，二是前后的讨论有时间差。这样学生可以在发言前认真思索组织语言，这是课堂讨论无法做到的（Lea，2001）。另外，这种形式可以记录下来每位同学的讨论，使其永久保存，成为可以反复利用的资源。

原则五：鼓励形成积极的学习动机和自豪感。动机、自豪感和自我调控是紧密相连的。网上评估可以提高学生学习的动机（Grebenik & Rust，2002；Bostock，2004）。首先，学生们使用网上客观测试题时，可以私下自我评估而不需要与其他同学比较，这一点与另外一些研究结果相一致。那些研究结果证明，如果学生把主要精力放在自我提高而不是与其他同学竞争、比较上的话，他们的动力极强。另外，学生可以多次进行网络测试，研究证明这一点可以极大增强学生的动机：学生可以多次测试来提高自己的实际水平（Grebenik & Rust，2002；Bostock，2004）。

原则六：有利于学习者达到自己所期望的成绩。高等教育中，学生很少有机会直接利用反馈信息提高学习，尤其是必须完成一定计划的课程，通常，他们一收到反馈就继续进行下一部分内容了。虽然多次提交作业很难做到，但鲍德认为多次提交同样的作业对提高学习起到非常重要的作用，同样，也应该更加重视阶段性反馈并鼓励学生想办法提高学习成绩。虚拟学习环境加强了老师与学生交流以及作业提交的速度。