精细空间可伸缩视频编码方案实现

提出了一种新颖的空间可伸缩视频编码方案-精细粒度空间可伸缩编码。这种编码方案为空间可伸缩提供了精细粒度特性。方案使用比特平面技术,可以获得图像质量从低分辨率到高分辨率的转换,从而得到粒度的增加。另外,所提方案提供了一种灵活的嵌入式比特流,这样视频流可以被解码成从低分辨率到高分辨率的任何速率点。这种特性提高了互联网上视频流的编码效率,适应了有较大带宽波动的互联网。     

末次冰期以来东海内陆架沉积反映的海平面变化

对东海内陆架泥质沉积区MD06-3042孔(27°05.4′N,121°24.1′E,水深62m,岩芯长34.1m)样品进行了高分辨率的粒度分析和14C年代测试,重建了末次冰期以来东海内陆架区的海平面及沉积环境的变化.14.0ka左右,海平面已经到达现今海平面下62m等深线的位置,大量沉积物在此沉积.13.0~4.2ka之间,受海流等多种因素影响,少量沉积物在此沉积.4.2~3.2ka之间,现代东海内陆架的泥质沉积主体在该岩芯附近快速堆积.东海内陆架的泥质沉积体由北向南,由内向外逐渐形成,具有阶段性.     

不同方法测定黄土和古土壤样品粒度的比较

用激光粒度仪和沉降法分别测量了黄土和古土壤的粒度分布,通过对比两种方法测量结果,认为激光法测量的重复性和测量精度较高,小于5μm颗粒含量低于沉降法,平均粒径较沉降法偏粗;造成这种差异的原因主要是不同方法的原理不同和样品中颗粒形状不规则所致.黄土风化成壤过程中形成的次生碳酸盐矿物可能主要存在于小于5μm的颗粒内.     

不同粒度肥煤的膨胀性研究

对不同粒级淮北宿州肥煤的奥亚膨胀度、黏结指数、最大胶质层厚度、有机显微组分、挥发分以及镜质组氧元素含量进行分析。结果表明,不同粒级肥煤的黏结指数G值和最大胶质层厚度Y值无明显差异,且奥亚膨胀度b值和膨胀温度区间的变化趋势基本一致;0.5～2mm粒级肥煤的膨胀性能较优,粒度大于2mm或小于0.5mm肥煤的最大膨胀度b值和膨胀温度区间相对较小,其膨胀性能明显劣化。讨论了采用膨胀性指标表征肥煤工艺性质的优越性,并从活惰比、镜质组氧元素含量和活性成分比表面积对不同粒级肥煤膨胀性差异进行了分析。     

基于多粒度生成对齐网络的行人重识别

针对行人重识别(re-ID)中背景簇、遮挡、视点变化和姿态变化等因素的负面影响,提出了一种新的算法,称为多粒度融合生成对齐网络(MLFGAN)．首先,提出身份(Identity, ID)不变的姿态标准化生成对抗网络(IIPN)来生成8种标准姿态的行人图像;然后,通过全局对齐网络实现图像对齐,利用局部对齐网络进行精细化行人匹配,用多粒度特征融合来整合不同粒度的信息,防止小尺度鉴别性信息丢失．MLFGAN能够有效地提取有区分性和鲁棒性的行人嵌入表示,其有效性在Market1501和DukeMTMC-reID等广泛使用的数据集上得到了清楚的验证．     

石墨粒度对膨胀石墨孔隙结构的影响

为研究不同粒度的鳞片石墨在膨胀过程中孔结构的变化情况,采用不同粒度的石墨在相同条件下经酸化、高温膨胀获得膨胀倍数不同的膨胀石墨.用扫描电镜观察原料石墨、可膨胀石墨及膨胀石墨形貌,结合膨胀石墨的膨胀倍数,结果发现用不同粒度石墨制备的膨胀石墨的孔隙结构（缠绕空间、V型裂开和网络型孔隙）的特征基本相同,但尺寸随粒度呈规律性的变化.证实石墨粒度、孔隙结构尺寸与膨胀倍数三者之间存在对应关系,粒度是石墨膨胀倍数不同的重要因素.     

矿粉粒度及反应温度对高磷鲕状赤铁矿制备碳化铁的影响

为探索利用高磷鲕状赤铁矿作为炼钢原料的新途径,在CH4-H2气氛下对高磷鲕状赤铁矿制备碳化铁进行了实验研究,探讨了矿粉粒度对还原和碳化的影响。采用热重法、SEM-EDS和XRD分别对实验中试样还原失重过程、高磷鲕状赤铁矿矿相和碳化产物进行了分析。实验得到120~160目粒度矿粉的反应活化能最低,还原反应活化能为44.95kJ/mol,碳化阶段表观活化能为9.71kJ/mol。从反应速率的角度,利用高磷鲕状赤铁矿制备碳化铁的最佳温度为1 023K,矿粉的最佳粒度为120~160目,总体来讲,温度比矿粉粒度对高磷鲕状赤铁矿制备碳化铁反应速率的影响大。     

氢氧化铝颗粒的附聚动力学研究

以往的氢氧化铝颗粒尺寸对其附聚动力学影响的研究结果不甚相同,本文对此进行了进一步的研究。基于附聚过程的颗粒二元碰撞模型,以粒径ri-1,ri,ri 1的3种颗粒为作用物,按照穷举法,建立了附聚的物理模型。依照附聚模型给出了氢氧化铝颗粒的附聚速率方程,根据差分法求出了附聚的宏观速率,建立了不同粒径颗粒的附聚速率方程组。计算的动力学结果表明:等径颗粒的附聚速率常数要大于不等径颗粒的附聚速率常数;对于等粒径的颗粒,其中粒径最小的颗粒附聚速率常数最大,随着粒径增加,颗粒的附聚速率常数逐渐减少;对于不等径颗粒,其粒径相差越大,附聚的速率常数越小;动力学的计算结果与实验结果能够很好地吻合。     

基于卷积图神经网络的多粒度表示学习框架

卷积图神经网络（Convolutional Graph Neural Network,ConvGNN）以其强大的表达能力被广泛应用于社交网络、生物网络等领域的网络表示学习中，多粒度网络表示学习已被证明能够改善已有网络嵌入方法的性能，但目前尚缺乏以改善ConvGNN性能为目标的框架.针对此问题，提出一种基于ConvGNN的多粒度网络表示学习框架M-NRL，分为四个模块：粒化模块、训练模块、推理模块和融合模块.粒化模块构造从细到粗的多粒度网络并保留不同粒度节点的属性和标签信息，训练模块在最粗粒度的网络上以端到端的方法训练任意一种ConvGNN并优化其模型参数，推理模块使用优化后的ConvGNN推理出不同粒度网络的节点表示，融合模块采用注意力权重聚合不同粒度的节点表示以产生最终的节点表示.在四个公开引文网络数据集上进行的半监督节点分类任务验证了M-NRL的有效性，实验结果表明，MNRL不仅能加速现有ConvGNN的训练，还可以增强其最终的表示质量.