改进的基于卷积神经网络的图像超分辨率方法

图像超分辨率是计算机视觉领域的经典问题。使用深度神经网络来解决图像超分辨率的问题目前得到越来越多的研究学者的关注和青睐。为改善基于卷积神经网络的图像超分辨率方法的图像生成效果,提出一种改进的方法。在神经网络层中加深网络层数,并且针对加深网络可能出现的退化现象引入残差网络结构,并将图像上采样步骤放入网络中。实验表明,在与传统的插值法和原始的基于卷积神经网络方法的对比中,该优化方法生成的图像观感更加锐利清晰、细节丰富,而且无论在峰值信噪比和结构相似性上均有明显提高,验证了该方法的有效性。     

超低渗油藏在线分流酸化增注技术研究与应用

酸化是超低渗油藏最有效的增注措施之一，但由于储层物性差、非均质性强等问题，造成目前常规酸化措施普遍具有施工周期长、有效率低、有效作用距离短等不足，且酸化过程中存在指进现象和储层二次伤害。针对这一问题，选取鄂尔多斯盆地环江油田三叠系超低渗油藏为研究对象，提出了在线分流酸化技术，并配套研制了一种多元缓速螯合酸COA-1S和一种新型的水溶性分流剂COA-1P。通过室内评价实验和在线分流酸化模拟实验，发现该技术在缓速性、配伍性、水溶性、螯合能力和暂堵功能等方面均显著优于常规酸化；现场先导性实验结果表明，酸化后剖面吸水均匀程度从28.5%上升至50.9%，视吸水指数增加2倍左右，降压增注效果显著；同时，该技术还具有“不停井、不泄压、不动管柱、不返排”的特点，简化了常规分流酸化工序、降低了安全环保风险，是一种能够很好地适应超低渗油藏特征的酸化增注技术。     

伪标签置信选择的半监督集成学习视频语义检测

在视频语义检测中，有标记样本不足会严重影响检测的性能，而且伪标签样本中的噪声也会导致集成学习基分类器性能提升不足。为此，提出一种伪标签置信选择的半监督集成学习算法。首先，在三个不同的特征空间上训练出三个基分类器，得到基分类器的标签矢量；然后，引入加权融合样本所属某个类别的最大概率与次大概率的误差和样本所属某个类别的最大概率与样本所属其他各类别的平均概率的误差，作为基分类器的标签置信度，并融合标签矢量和标签置信度得到样本的伪标签和集成置信度；接着，选择集成置信度高的样本加入到有标签的样本集，迭代训练基分类器；最后，采用训练好的基分类器集成协作检测视频语义概念。该算法在实验数据集UCF11上的平均准确率到达了83.48%，与Co-KNN-SVM算法相比，平均准确率提高了3.48个百分点。该算法选择的伪标签能体现样本所属类别与其他类别的总体差异性，又能体现所属类别的唯一性，可减少利用伪标签样本的风险，有效提高视频语义概念检测的准确率。     

改进的卷积神经网络单幅图像超分辨率重建

针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题，提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法，设计了由密集残差网络和反卷积网络组成的新型深度卷积神经网络结构。原始低分辨率图像输入网络，利用密集残差学习网络获取更丰富的有效特征并加快特征梯度流动，其次通过反卷积层将图像特征上采样到目标图像大小，再利用密集残差学习高维特征，最后融合不同卷积核提取的特征得到最终的重建图像。在Set5和Set14数据集上进行了实验，并和Bicubic、K-SVD、SelfEx、SRCNN等经典重建方法进行了对比，重建出的图像在整体清晰度和边缘锐度方面更好，另外峰值信噪比（PSNR）平均分别提高了2.69?dB、1.68?dB、0.74?dB和0.61?dB。实验结果表明，该方法能够获取更丰富的细节信息，得到更好的视觉效果，达到了图像超分辨率的增强任务。     

超距离狭小场地劲性钢构件施工重难点控制

在地处闹市狭小场地进行超高、超远劲性钢构件施工,作业难度大。文章通过精确计算,选择吊车型号,并利用BIM技术模拟吊装步骤,确定吊车少站位、一站多吊的优化方案进行吊装施工,并对测量和焊接进行重点控制,保证了施工的质量和安全。     

浅谈上海地区超深地下连续墙铣接法施工监理质量控制

随着上海地区对深层地下空间的持续开发,超深基坑不断涌现,基坑安全也面临深层承压水层的严峻考验。围护结构施工质量的好坏直接关系到整个基坑工程的安全。从监理角度出发,探讨上海地区超深地下连续墙铣接法施工质量控制的若干问题,就超深地下连续墙施工各阶段的注意点提出了一些观点,以期对相关工作者有所帮助。