【摘 要】
：
2020年1月,英国正式脱欧,成为国际关系领域著名的黑天鹅事件。然而,英国成功脱欧都不是一个"最终结果",而是一个新的开始。英国的成功脱欧无疑是欧洲一体化的重大挫折,但对英国来说是福是祸,还是祸福相依,都值得探讨。第三类新古典现实主义为探究英国脱欧的动因、进程与前景提供了独特的理论视角和研究路径。英国脱欧既是英国与欧盟之间一系列政策互动的结果,也是双方根据自身利益不断博弈的过程。英国脱欧后不再是欧
【基金项目】
：
辽宁大学亚洲研究中心一般项目“东亚区域合作领导模式构想：中美双头领导”（项目编号：Y201802）的阶段性成果；
论文部分内容阅读
2020年1月,英国正式脱欧,成为国际关系领域著名的黑天鹅事件。然而,英国成功脱欧都不是一个"最终结果",而是一个新的开始。英国的成功脱欧无疑是欧洲一体化的重大挫折,但对英国来说是福是祸,还是祸福相依,都值得探讨。第三类新古典现实主义为探究英国脱欧的动因、进程与前景提供了独特的理论视角和研究路径。英国脱欧既是英国与欧盟之间一系列政策互动的结果,也是双方根据自身利益不断博弈的过程。英国脱欧后不再是欧盟单一市场和关税联盟的一部分,需要和欧盟谈判并形成一项新的自由贸易协定。
其他文献
数据增强作为一种简单有效的方法被广泛应用以提升模型泛化能力,特别是在训练深度神经网络时。近年来研究人员们提出了不少新的数据增强方法进一步提升分类任务的准确率,其中主要以两类为首:Mixup这类对两张图片进行线性插值的方法,以及AutoAugment这类搜索最佳数据增强策略的方法。在本文中,我们针对Mixup中线性假设的不合理性,提出了一种基于特征空间距离的自监督方法,该方法要求原始图像和生成图像在
图像标题生成是自动给图像生成一个描述性标题,这是一个结合计算机视觉和自然语言处理的重要研究方向。图像标题生成可以辅助图像搜索和视频搜索,有着巨大的应用价值。当前主流的方法是基于注意力机制的图像标题生成。虽然图像标题生成已经被研究了很多年,但是现有方法生成的标题和人类给出的标题相比还是有很大的差距。本文主要是对基于注意力机制的图像标题生成进行改进,提高模型生成的标题的质量。本文在两个方向上对图像标题
随着流媒体业务的飞速增长,移动数据流量持续呈现井喷式增长的趋势。为了缓解通信网络的压力,采用缓存技术卸载数据流量行之有效。而且,用户协作缓存将大大降低缓存内容放置的成本。为此,本文对基于反向拍卖的无线业务协作缓存技术进行了研究。在本研究中,我们考虑用户终端（UTs）协作将无线热点业务缓存到智能路由中继（IRR）侧的方案。为了有效激励用户参与协作缓存任务,本文构建了基于反向拍卖的协作缓存模型,其中,
太赫兹成像是以太赫兹辐射作为信号源的成像技术,有低光子能量和高透明度的优点,因其非电离的特点被广泛应用于安检、生物诊断、电子元器件认证等领域。太赫兹辐射的波长较长,因此成像分辨率较低,图像质量也较差,需要进一步处理才能应用与实际场景中。本项研究探索了有源主动反射式成像的太赫兹图像的噪声建模和去噪算法。经过对太赫兹噪声的统计分析,我们发现太赫兹噪声符合一种广义的高斯分布,即-稳定分布,它能够描述非对
目标的细粒度分类技术已经成为交通监控系统中的关键一环,被应用于车辆目标的实时车型识别任务。针对车辆目标的图像,细粒度分类算法需要在车辆目标这个大类别中,对其中数百个子类别进行细粒度分类,识别出不同的车型信息。虽然在理想环境中,只需要检测单帧图像中的车辆号牌即可通过后台查询得到具体的车型信息。但在复杂多变的环境条件与车辆号牌污损情况下,无法直接得到车辆号牌信息,因此不能保证精准车型信息的有效获取。目
随着智能终端的迅速发展和广泛普及,无线网络下的移动多媒体数据流量呈现爆炸式的增长。与此同时,智能终端设备的本地缓存能力有了长足的发展,通过在无线网络的终端侧预先缓存网络所需要的内容并对周围用户分发共享能够显著的降低网络的空口压力并且减少网络流量的大量冗余重复传输,给无线通信网络带来性能上的大幅提升。因此有必要对于终端用户的缓存策略进行深入研究,以达到较好的缓存策略和性能。在本文中,我们首先考虑了设
近年来我国车辆产业蓬勃发展,车辆数量呈现井喷式增长。车联网体系主要包括基于LTE资源的C-V2X架构与分布式VANET架构,二者均能够为车辆提供数据服务与行驶信息,辅助司机驾驶,有效减少交通事故的发生。路由算法是车联网通信中的关键技术之一,路由的决策很大程度上影响了车辆间通信的传输性能。在车联网场景下,车辆运动速度较快,车辆间链路不稳定,传统的路由协议效果欠佳。本文针对不同网络结构提出以下路由改进
近年来,随着深度学习的飞速发展,深度神经网络在许多机器学习任务中,包括计算机视觉、自然语言处理、语音识别方面,都取得了飞跃式的发展。随着深度神经网络性能的不断增强,神经网络的层数越来越多,结构越来越复杂,需要强大的硬件资源才能负担。随着5G的发展,未来社会将充满更多廉价,低功耗的移动设备,研究人员纷纷开始寻求将神经网络部署到移动端设备使其智能化。然而,深度神经网络需要消耗和占用大量的计算开销和储存
医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题,它在生物医学图像的分析中占据着非常重要的地位。近年来,由于深度学习算法的广泛应用,针对医学图像的分割技术有了快速的发展。目前,深度学习算法已经被成功的应用到很多医学图像分割问题当中。然而,针对一些缺乏大量数据支持的影像表现形式多样的罕见疾病,依赖数据的深度学习算法难以发挥其性能。针对这一问题,本文提出了一种基于深度学习的医学图像分割