多先验融合的图像显著性目标检测算法

为了更加准确地检测出图像中的显著性目标，提出了多先验融合的显著性目标检测算法。针对传统中心先验对偏离图像中心的显著性目标会出现检测失效的情况，提出在多颜色空间下求显著性目标的最小凸包交集来确定目标的大致位置，以凸包区域中心计算中心先验。同时通过融合策略将凸包区域中心先验、颜色对比先验和背景先验融合并集成到特征矩阵中。最后通过低秩矩阵恢复模型生成结果显著图。在公开数据集MSRA1000和ESSCD上的仿真实验结果表明，MPLRR能够得到清晰高亮的显著性目标视觉效果图，同时F，AUC，MAE等评价指标也比现有的许多方法有明显提升。     

中国经济承载新常态

<正>何谓新常态?《经济日报》评论员文章是这样表述的:新常态之"新",意味着不同以往;新常态之"常",意味着相对稳定。2014年11月9日,国家主席习近平出席亚太经合组织(APEC)工商领导人峰会并发表演讲。在演讲中,习近平首次公开全面地阐述中国经济的"新常态"。这是习近平2014年5月在河南考察时首次提出"新常态"概念之后,首次详尽地阐述这一概念。习近平指出:"我国发展仍处于重要战略机遇期,我们要增强信心,从当     

油藏开发地质勘探的常见问题分析

就油藏开发地质勘探的常见问题进行分析,从油藏开发的分类、油藏开发程序以及油藏储量计算等方面综合考虑影响油藏开发的因素,为现实油藏开发工程提供理论依据,提升油藏开发技术水准。     

高瓦斯突出矿井底抽巷一巷多用技术研究与实践

胡底煤业为高瓦斯高突出高矿压的三高矿井。对高瓦斯高突出的治理，该矿采用“地面网络预抽、区域模块降量、底抽穿层保掘、高位顺层保采”的四级模式，施工底抽巷，实现“底抽穿层消突、区域模块降量、异巷探测增效、多巷通风治患、循环排矸减压”等“一巷多用”。该4种方法已在1303（上）、1305（上）工作面应用并推广，取得了良好的效果，大大提高了掘进效率且满足抽放、探放水、通风需要；回填矸石初步设计现已经完善，待下一步掘进将实现填矸作用。     

长距离供热管线穿越行洪区的设计方案探讨

随着城市建设规模的不断发展,为满足不断增长的城市供热需求并全面落实国家生态保护、清洁供暖、可持续发展等政策,减少城市环境治理的压力,城市供热热源逐步远离城市,形成许多以长距离供暖和大规模供热为特征的长距离供热管线.由于热源和城市的位置关系,长距离供热管线往往会穿越复杂的障碍区域.以富拉尔基发电厂向齐齐哈尔市长距离供热管网项目穿越行洪区段管网作为案例,从管线穿越障碍区域设计、防洪设计及施工便道设计三个方面对供热管网穿越行洪区时的难点进行分析总结.     

面部运动单元检测研究综述

面部运动单元检测旨在让计算机从给定的人脸图像或视频中自动检测需要关注的运动单元目标。经过二十多年的研究，尤其是近年来越来越多的面部运动单元数据库的建立和深度学习的兴起，面部运动单元检测技术发展迅速。首先，阐述了面部运动单元的基本概念，介绍了已有的常用面部运动单元检测数据库，概括了包括预处理、特征提取、分类器学习等步骤在内的传统检测方法；然后针对区域学习、面部运动单元关联学习、弱监督学习等几个关键研究方向进行了系统性的回顾梳理与分析；最后讨论了目前面部运动单元检测研究存在的不足以及未来潜在的发展方向。     

基于多传感器的井下区域自动防灭火技术

为了提高煤矿设备运转安全性,对井下区域自动防灭火技术进行了研究。采用火焰和烟雾双重探测技术实时采集布控区火焰和烟雾信息,并传递至PLC控制器,控制器驱动防爆电磁阀打开,向布控区喷撒灭火剂,从而熄灭爆炸火焰。通过加油硐室现场工业试验,验证了区域灭火技术的合理性和可靠性,有效灭火范围不小于6 m2,可确保井下硐室及重要机电设备安全。     

改进HSR-FCN的服装图像识别分类算法研究

目前网络上的服装图像数量增长迅猛，对于大量服装图像实现智能分类的需求日益增加。将基于区域的全卷积网络（Region-Based Fully Convolutional Networks，R-FCN）引入到服装图像识别中，针对服装图像分类中网络训练时间长、形变服装图像识别率低的问题，提出一种新颖的改进框架HSR-FCN。新框架将R-FCN中的区域建议网络和HyperNet网络相融合，改变图片特征学习方式，使得HSR-FCN可以在更短的训练时间内达到更高的准确率。在模型中引入了空间转换网络，对输入服装图像和特征图进行了空间变换及对齐，加强了对多角度服装和形变服装的特征学习。实验结果表明，改进后的HSR-FCN模型有效地加强了对形变服装图像的学习，且在训练时间更短的情况下，比原来的网络模型R-FCN平均准确率提高了大约3个百分点，达到96.69%。     

ATSP:时态网络可视化的自适应时间片划分方法

现有的时态网络可视化方法大多采用等量时间片来可视化网络的演变，不利于时态模式的快速挖掘和发现。为此，根据时态网络固有的特征提出自适应时间片划分方法（Adaptive Time Slice Partition method，ATSP）。在时态网络的两种表示方式（基于事件的表示方式和基于快照的表示方式）的基础上，构建了ATSP的基础模型，同时提出了一种改进模型用来描述事件间隔时间服从长尾分布的时态网络。为了实现时间片的不等量划分，针对探索任务的不同提出了基于时态模式的ATSP规则和基于中心节点的ATSP规则，并提出了实现算法--层次划分算法（Hierarchical Partition algorithm，HP）和增量划分算法（Incremental Partition algorithm，IP）。实验结果表明，ATSP方法比传统的时间片划分方法更能准确地表示网络的时态特征，且该方法应用于可视化时，能有效归纳并展示网络的特征，明显提高了视觉分析的效率。