一种基于FCOS神经网络的小建筑物目标检测方法北大核心

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

基于多尺度的贝叶斯模型显著性检测

针对传统基于贝叶斯模型的显著性检测算法存在准确率不理想的问题,提出了一种基于多尺度的贝叶斯模型显著性检测算法。通过超像素分割算法(SLIC)将原图分割成不同尺度的超像素,根据超像素边界信息得到背景种子,进而通过距离计算和多尺度融合得到背景先验;对原图进行颜色增强,采用Harris算子对增强图进行检测角点求得凸包,融合不同尺度下的超像素得到凸包先验;融合背景先验和凸包先验得到最终先验;利用颜色直方图和凸包计算似然概率;将最终先验和似然概率通过贝叶斯模型计算显著图。在公开数据集MSRA1000、ECSSD上与多种传统算法进行准确率和召回率对比,该算法有更好的表现。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

基于双重金字塔网络的视频目标分割方法

针对复杂视频场景中难以分割特定目标的问题，提出一种基于双重金字塔网络（DPN）的视频目标分割方法。首先，通过调制网络的单向传递让分割模型适应特定目标的外观。具体而言，从给定目标的视觉和空间信息中学习一种调制器，并通过调制器调节分割网络的中间层以适应特定目标的外观变化。然后，通过基于不同区域的上下文聚合的方法，在分割网络的最后一层中聚合全局上下文信息。最后，通过横向连接的自左而右结构，在所有尺度中构建高阶语义特征图。所提出的视频目标分割方法是一个可以端到端训练的分割网络。大量实验结果表明，所提方法在DAVIS2016数据集上的性能与较先进的使用在线微调的方法相比，可达到相竞争的结果，且在DAVIS2017数据集上性能较优。     

基于动态模态分解的缸内流场演变及动能分析

采用高速粒子图像测速技术(particle image velocimetry,PIV)测量了一台直喷式光学发动机的缸内流场,利用动态模态分解(dynamic mode decomposition,DMD)算法,提取了发动机从进气冲程早期到压缩冲程后期中出现的多尺度涡团结构,量化了涡团的比动能在整个冲程阶段的衰减程度。结果表明:从进气冲程早期开始,缸内流场主要由低阶DMD模态表现的大尺度流场结构和高阶DMD模态表现的小尺度涡团结构组成;DMD模态的比动能变化可清楚地反映从大尺度流场结构到小尺度涡团的能量级联和耗散过程。同时还发现,与压缩冲程相比,进气冲程期间的流场可形成更多小尺度的涡团结构,并表现出更快的能量衰减特征,且该阶段流场能量衰减现象对发动机转速更加敏感。     

Multi-Scale Analysis of Fretting Fatigue in Heterogeneous Materials Using Computational Homogenization

This paper deals with modeling of the phenomenon of fretting fatigue in heterogeneous materials using the multi-scale computational homogenization technique and finite element analysis (FEA). The heterogeneous material for the specimens consists of a single hole model (25% void/cell, 16% void/cell and 10% void/cell) and a four-hole model (25% void/cell). Using a representative volume element (RVE), we try to produce the equivalent homogenized properties and work on a homogeneous specimen for the study of fretting fatigue. Next, the fretting fatigue contact problem is performed for 3 new cases of models that consist of a homogeneous and a heterogeneous part (single hole cell) in the contact area. The aim is to analyze the normal and shear stresses of these models and compare them with the results of the corresponding heterogeneous models based on the Direct Numerical Simulation (DNS) method. Finally, by comparing the computational time and % deviations, we draw conclusions about the reliability and effectiveness of the proposed method.     

Multi-scale modeling in microstructure evolution of materials

Intelligent design and control of the microstructure to tailor properties of materials is the dream that materials scientists have been worked hard for many years. Formation of research area of computational materials science paves the way to realize the dream. Simulation of microstructure evolution is a chief branch of the computational materials science and has caused great attention from materials researchers. Multi-scale modeling gets popular just within 5- 6 years recently due to huge research works to try to shorten the distance between simulation and application. People have to command one or more classical simulation methods in order to do the multi-scale modeling so chief simulation methods will be discussed first and then more reviews in detail are given to the phase field simulation. The main part of the paper is carried out to introduce two key approaches to do the multi-scale modeling job. It is suggested that extension of the multiscale modeling is necessary to study the technologies to link microstructure simulation, processing simulation and property simulation each other as well as to build bridges between different simulation methods and between analytical models and numerical models.     

形态滤波方法在抵肩力信号降噪中的应用研究

针对抵肩力实验信号采集过程中引入的噪声污染问题,基于数学形态学理论,提出了一种自适应多尺度形态学降噪方法。该方法采用形态开闭-闭开运算提取含噪信号的正、负冲击成分,根据不同尺度形态运算后的噪声统计分布,对不同尺度下形态运算的结果进行加权平均去噪,解决了细节保持与噪声滤波之间的矛盾。仿真实验以高斯白噪声干扰下的blocks信号为研究对象,信噪比和均方根误差为评定降噪结果的标准,结果表明该方法与传统阈值降噪方法相比具有更好的降噪效果。抵肩力实验结果的应用表明,该方法能够在有效抑制信号噪声的同时较好地保留抵肩力信号特征细节,为抵肩力信号特征的提取提供了一种降噪方法。     

基于双通道注意力的轻量化PCB缺陷检测研究

印刷电路板 (printed circuit board,PCB)在实际生产过程中存在缺陷样式多种多样、缺陷小、缺陷位置难以定位的问题,而一个巨大的模型难以实现实时检测的要求,且大量的深度可分离卷积层建立的轻量级模型也不能达到足够的精度,为此提出一种基于YOLOv5s的PCB缺陷检测算法。 将原始Backbone的Conv模块跟C3模块用GhostConv替换,在Neck部分则引入了一种新的轻量级卷积技术GSConv,减轻模型大小的同时保持精度,GSConv在模型的准确性和速度之间完成了一个极好的权衡,针对许多注意力模块无法关注全局信息同时模型大的问题,提出了多尺度的轻量化双通道注意力模块(double channel depthwise attention module,DWAM),进一步提高模型精度。通过多组实验, 结果表明,改进算法所有类别的平均mAP为99.14%,且模型的GFLOPs为7.194 G,Params为7.175,原始的YOLOv5s平均mAP为96.86%,GFLOPs为6.89 G,Params为6.596,虽然Params以及GFLOPs有所增大,但是还是满足轻量网络的要求,并且精度相对于YOLOv5s提高了2.25%,且对于每个类别的缺陷识别准确率都有改善,大幅减少计算量和模型参数的同时保证了准确率,满足工业检测生产需求的同时便于移动端部署。