基于深度学习的红外与可见光图像融合综述

图像融合技术是指从不同的源图像中提取并融合互补的信息,生成一幅信息量更丰富、对后续高级视觉任务提供足够支持的图像.红外与可见光图像融合（Infrared and Visible Image Fusion,IVIF）是图像融合领域的一个重要分支.近年来,深度学习技术在视觉计算领域表现出了良好的性能,尤其是基于自编码器、卷积神经网络、生成对抗网络等几种基于深度学习的IVIF技术得到了蓬勃发展.为此,对基于深度学习的IVIF算法的方法、数据集和评估指标等进行了总结和阐述;通过大量的实验,进行定性和定量的结果分析,对比了各类基于深度学习IVIF算法的性能;最后,讨论了该领域未来发展的一些前景和研究方向.     

考虑水-力耦合和不同应力路径的砂岩卸荷力学特性试验

为研究不同渗透压力条件下的岩石卸荷力学特性,选取砂岩为研究对象,开展了不同渗透压力和不同应力路径下的三轴卸荷试验,并与常规三轴试验进行对比,比较了不同应力路径下的岩石强度特性,分析了渗透压力对岩石变形和强度参数的影响。试验结果表明：渗透压力的增大会弱化岩石强度,岩石的峰值强度随渗透压力的增大而降低,而轴向变形随渗透压力增大而增加,渗透压力越大,岩石的压密段特征越明显;针对两种不同的卸荷应力路径,恒轴压卸围压路径条件下,岩石的黏聚力不断降低,内摩擦角不断增加,而加轴压卸围压路径条件下,岩石的黏聚力不断增加,内摩擦角逐渐降低。     

台阶爆破模型试验下破碎岩石抛掷速度规律分析

为了研究台阶爆破破碎岩石抛掷速度的主要影响因素与变化规律,采用量纲分析法确定破碎岩石抛掷速度的主要影响因素,并借助高速摄影系统与台阶爆破模型试验研究不同影响因素下破碎岩石抛掷速度的变化规律.结果表明：破碎岩石抛掷速度的主要影响因素为炸药单耗、最小抵抗线与炸药量的关系(W³/Q)和不耦合系数,抛掷速度对炸药单耗最为敏感,W³/Q与不耦合系数次之;高速摄影图像显示,当爆破作用时间为0.5 ms时,台阶自由面岩石出现位移,当爆破作用时间为2.0 ms时,在爆炸应力波作用下,台阶自由面出现裂缝,破碎岩石的运动形态可分为鼓包运动阶段与抛掷运动阶段,二者之间存在明显的过渡阶段;炸药单耗、W³/Q、不耦合系数与抛掷速度间存在明显的非线性关系,抛掷速度随炸药单耗的增加呈指数函数递增,且存在临界炸药单耗使破碎岩石的抛掷速度出现激增,抛掷速度随W³/Q、不耦合系数的增大呈幂函数递减.     

耦合Gross-Pitaevskii方程的高效保质量守恒格式

该文为耦合Gross-Pitaevskii方程提出了一个新的保质量守恒格式.首先对空间导数利用高阶紧致格式离散得到半离散格式;然后在时间方向上利用基于外推的Crank-Nicolson格式离散,得到一个半显式的数值格式,然而此格式不能保持GP方程固有的质量守恒,因此,对格式得到的数值解利用投影方法进行修正,使其满足离散质量守恒;最后通过数值实验验证了该格式具有高精度以及保持质量守恒.     

具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.     

联合实体边界检测的命名实体识别方法

针对传统命名实体识别方法无法有效利用实体边界信息的问题,提出一种联合实体边界检测的命名实体识别方法,即将实体边界检测作为辅助任务,增强模型对实体边界的判断能力,进而提升模型对实体的识别效果。首先,利用Bert预训练语言模型对原始文本进行特征嵌入获取词向量,并引入自注意力机制增强词对上下文信息的利用;其次,在命名实体识别任务的基础上,添加实体边界检测辅助任务,增强模型对实体边界的识别能力;再次,对比联合实体边界检测的命名实体识别方法与基线方法的有效性,并对测试结果进行消融实验;最后,进行样例分析,分析损失权重β对实体边界检测的影响。实验结果表明,在英文社交媒体数据集Twitter-2015上,联合实体边界检测的命名实体识别方法相较于基线模型取得了更高的精准率、召回率和F1值,其中F1值达到了73.57%;并且,边界检测辅助任务提升了基线方法的检测效果。所提方法能有效利用实体边界信息,从而获得更好的实体识别效果,促进了人机交互系统的发展,对自然语言处理下游任务有重要意义。     

基于轻量化深度学习网络的数字仪表识别

数字式仪表常用于变电站、工厂等生产环境,是一种直观的设备监测仪器。然而当前数字式仪表的读取方式还依赖于人工巡检,手动记录等,这些传统的巡检方式来监测设备的运行状态大大降低了巡检效率。为了实现传统行业的数字化转型,本文提出基于轻量化深度学习的数字仪表识别方法,通过改进的YOLOv5的目标检测框架,针对数字仪表目标区域在整张图片大小不一致的情况,提出对于感兴趣区域（ROI）的迭代目标检测方法,首次检测将感兴趣区域进行检测并切割统一到相同的尺度,随后迭代检测网络针对感兴趣区域内的字符进行检测并分类,以达到精确读数的目的。为提升多尺度检测性能,本文采用Res2Net模块主干网络中的的残差模块。采用GIoU取代通用的IoU作为位置损失函数加速模型训练效果的收敛。实验表明,改进后的框架实现了99.62%的准确率和99.55%的召回率,相比基线网络分别提升了12.72%和5.85%。通过将框架在边缘计算平台上的终端部署,在实际生产中取代了人工巡检,实现了商业化运行。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

新疆阿克提什坎金-多金属矿床微量元素地球化学

系统地研究了新疆阿尔泰诺尔特地区阿克提什坎金－多金属矿床的微量元素组成特征,并应用Ｇｒａｎｔ等位线方法讨论了热液蚀变作用过程中微量元素的行为。认为在热液蚀变作用过程中,微量元素尤其是Ａｕ、Ａｓ等,活动强烈,围岩为成矿提供了部分物质来源。文章还进行了质量迁移的定量计算。     

溶剂萃取柠檬酸的传质研究

研究了用三辛胺溶剂分别从纯溶液和发酵液中萃取柠檬酸过程的传质规律与液滴粒径,无因次柱高及有机相配比对传质系数的影响,建立了液滴自由上升阶段的传质模型,并用以关联实验结果。