MP3产品秀

外壳会伸缩、可变形的MP3韩国DigitalCube推出了一款新MP3(PuMPDAP100),虽然从性能上看它的表现一般,但它的最大特点是在外观上。除了外形奇特以外,这款产品的性能只能说一般。惟一的亮点是输出功率达到了40mW。魅族X2MP3播放器作为国内MP3的新贵,魅族的E2系列就已经被数码玩家所称道。而近日魅族刚发布的第三代X2系列MP3又在昆明上市了。这款国内首次加入了SRSWOW专业音效的MP3,全面改良降噪电路,趋近于零的背景噪音带来空灵般的纯净音乐体验。耳机MP3为一款后挂式耳机产品,耳机主体的设计工艺很高,使用的铝金属外壳具有很强…     

岩壁变形条件下结构面法向变形特征

开展了无周边约束条件下不同岩壁厚度结构面法向变形试验,结合结构面-岩壁系统刚度与系统厚度之间关系,得到了不同岩壁厚度条件下结构面-岩壁系统整体刚度的变化特征,以及岩体结构面刚度与结构面厚度.分析了不同周边约束条件下结构面刚度与闭合量之间的关系,提出了考虑岩壁变形条件下结构面法向变形本构模型及其适用条件.进一步讨论了岩壁-结构面系统的结构和材料特征,分析了结构面法向刚度合理试验方法的重要性.本研究将有利于加深对结构面法向变形特征的理解与认识.     

可变形天然裂缝动态宽度流-固耦合计算模型

针对当前的天然裂缝宽度预测模型没有考虑裂缝在缝内流动净压力作用下变形的问题,开展了可变形天然裂缝动态宽度流-固耦合计算模型研究。首先,根据天然裂缝的变形控制方程和缝内流动净压力方程建立流-固耦合漏失动力学模型,得到漏失速率和漏失前端侵入速度的控制方程;然后,运用自适应搜索法求取天然裂缝等效平均宽度,结合体积等效原则求得天然裂缝初始宽度,联合初始宽度和漏失速率的几何控制方程建立天然裂缝形态系数的求解方法;最后,基于漏失前端侵入速度的几何控制方程进行天然裂缝形态约束求解得到法向刚度,进而得到天然裂缝动态宽度流-固耦合计算模型。建立的可变形天然裂缝动态宽度流-固耦合计算模型,经验证其计算结果与现场测量数据吻合较好,仅需钻井液性能、井漏现场测量的漏失速率序列及漏失体积序列,就能进行天然裂缝动态宽度预测,便于现场应用。     

基于YOLOv3的布匹瑕疵检测方法

针对布匹瑕疵差异较大、分布不均匀等问题，在YOLOv3中引入SwinTransformerBlock模块，用自注意力机制专注于有效特征排除无效特征的干扰，解决瑕疵差异大、分布不均等问题.同时用可变形卷积v2替换普通卷积，增大网络的感受野和多尺度建模能力，更好地适应瑕疵的形状和位置变化，从而提高目标检测的准确性和鲁棒性.实验结果表明，改进后算法在mAP上比原算法提高了3.80%，在检测速度上下降了2.86帧每秒.     

基于YOLOX-S的车窗状态识别算法

通过对YOLOX-S模型引入可变形卷积神经网络和焦点损失函数(Focal loss),解决原YOLOX-S模型车窗识别准确率较低的问题.首先,通过在YOLOX-S模型的主干特征提取网络中引入可变形卷积神经网络,对卷积核中的各采样点引入偏移量,以便在原始图像中提取到更具有表征的信息,从而提高车窗识别的精准度;其次,使用Focal loss替代原模型中的二元交叉熵损失函数,Focal loss能缓解正负样本不平衡对训练的影响,其在训练过程中更关注难样本,从而提高了模型对车窗目标的识别性能;最后,为验证改进算法的性能,实验收集并标注15 627张图片进行训练和验证.实验结果表明,改进后的车窗识别算法的平均目标精度提高了3.88%.     

基于可变形部件模型的遥感影像船只检测方法

提出了一种基于混合可变形部件模型的船只检测方法.该方法采用基于梯度方向直方图(HOG)特征的可变形部件模型(DPM)来描述船只,在HOG特征金字塔空间通过滑窗方式检测目标.基于HOG特征的DPM不具有方向不变性,因此根据船只目标特点,分别从模型训练阶段和目标检测阶段进行改进.在模型训练阶段,为了减少模板数量,将所有船只样本旋转到相同方向进行参数学习;在目标检测阶段,将兴趣区旋转至特定方向后进行模板匹配,实现遥感影像上任意方向的船只检测.利用该方法在高分二号光学遥感影像上进行船只检测,实验结果表明此方法可以有效检测船只.     

眼睛特征提取中可变形模板能量函数优化方法

研究眼睛特征提取过程中可变形模板中能量函数优化方法.根据能量函数中各能量项的作用区域大小,将整个优化过程分解为3个步骤.首先定位虹膜的位置和尺寸,然后调整眼睛的外轮廓,最后采用所有的能量项对眼睛特征的所有参数进行微调.每个步骤不再向下分解为多个子步骤.实验结果表明,与其他的优化过程相比,提出的优化过程在速度和精度上都有所提高.     

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network, PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss, AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks, Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。     

基于深度学习的两阶段多假设视频压缩感知重构算法

传统视频压缩感知重构算法重构时延过长,新发展的基于神经网络的视频压缩感知重构算法虽解决了高耗时的问题但未能充分利用视频的时空相关性,重构质量较差.为了解决上述问题,文中提出了基于深度学习的两阶段多假设视频压缩感知重构算法(2sMHNet).首先,采用时域可变形卷积对齐网络实现基于像素的深度学习多假设预测,在避免了块效应...     

基于可变形上下文感知网络的多尺度仪表检测

针对复杂背景下多尺度仪表设备检测面临较大挑战的问题,提出一种基于可变形上下文感知网络的仪表检测方法。针对工业环境干扰较多、小目标容易漏检的问题,设计了一种新颖的特征金字塔结构;通过引入可变形上下文信息、自适应扩展感受野,多尺度层级的空间和语义信息得到充分利用,有效提升检测效果并降低虚警率;对通用的检测头进行改进,预测额外的定位置信度来抑制低质量的检测框,使得目标框的回归更加精准。基于构建的仪表检测数据集验证了提出方法的有效性。实验结果表明,相比于基准网络,提出的方法在检测效果上有显著的提升。