Decomposition and replacement: Spatial knowledge distillation for monocular depth estimation

Knowledge distillation has become a key technique for making smart and light-weight networks through model compression and transfer learning. Unlike previous methods that applied knowledge distillation to the classification task, we propose to exploit the decomposition-and-replacement based distillation scheme for depth estimation from a single RGB color image. To do this, Laplacian pyramid-based knowledge distillation is firstly presented in this paper. The key idea of the proposed method is to transfer the rich knowledge of the scene depth, which is well encoded through the teacher network, to the student network in a structured way by decomposing it into the global context and local details. This is fairly desirable for the student network to restore the depth layout more accurately with limited resources. Moreover, we also propose a new guidance concept for knowledge distillation, so-called ReplaceBlock, which replaces blocks randomly selected in the decoded feature of the student network with those of the teacher network. Our ReplaceBlock gives a smoothing effect in learning the feature distribution of the teacher network by considering the spatial contiguity in the feature space. This process is also helpful to clearly restore the depth layout without the significant computational cost. Based on various experimental results on benchmark datasets, the effectiveness of our distillation scheme for monocular depth estimation is demonstrated in details. The code and model are publicly available at : https://github.com/tjqansthd/Lap_Rep_KD_Depth.     

Establishment of a color tolerance for yarn-dyed fabrics from different color-depth yarns

Yarn-dyed fabric is often woven from warp and weft yarns in the same color depth to ensure a uniform color appearance. The difference in color depth between warp and weft tends to result in the uneven color of the yarn-dyed fabric. This article aims to establish a color tolerance for yarn-dyed fabric that can be woven with a qualified color appearance but from the warp and weft yarns in different color depths. A total of 27 yarn-dyed fabric samples in three color series (red, yellow, and blue) were evaluated by using the yarn-dyed fabric from warp and weft yarns in the same color depth of 2% (on weight of fabric, owf) as the standard. Visual assessment and instrumental measurement of color were carried out to establish the color tolerance ellipse that was defined as CMC (Color Measurement Committee) color differences (2:1) of no more than 1.00. It was found that the color strengths (K/S) and color differences (ΔE_CMC(2:1)) of these fabric samples for each color series had linear relationships with the color depths of warp and weft yarns. The color tolerance ellipses indicated that, even though the warp and weft yarns had an apparent color difference, they could be woven in fabrics with relatively uniform color appearance and meet the requirements for yarn-dyed fabric. This work provided valuable insight into the production of qualified yarn-dyed fabrics from unqualified dyed yarns.     

考虑煤层倾角和钻孔倾角的钻屑量理论研究

为准确预测与预防深部开采煤与瓦斯突出,建立了考虑煤层倾角与钻孔倾角的新钻屑量理论计算公式,并分析了煤层倾角和钻孔倾角对钻屑量的影响。以平煤股份有限公司八矿为研究对象,将钻屑量理论计算值与该矿己15-21030风巷现场钻屑量实测值进行对比验证,得出在煤层倾角一定时,钻屑量随钻孔倾角增大呈幂指数递减关系,减小的比率呈“V”形变化趋势,原钻屑量理论值与实测值平均误差为5.5%,在考虑煤层倾角与钻孔倾角情况下的新钻屑量理论值与实测值平均误差为3.9%。     

基于卷积神经网络的单目深度估计

针对利用深度学习方法对街道图像进行深度估计，提出采用语义分割的方法解决深度图出现边界模糊等问题；估计深度通过左右视角图生成视差图进行无监督的训练。在网络模型中添加语义分割层，采取多个空洞卷积并行的结构增加感受野，同时减少了图像下采样的次数，降低了由于下采样带来的信息损失，使得的结果更加准确。这也是在深度估计中首次与空洞卷积相结合增加准确率。通过对KITTI街道数据集进行训练，与现有结果相比，除了增加检测准确性，降低错误率之外，使得效果图中的物体更加清晰，并且在效果图中还保留了一些原模型中被忽视掉的细节信息，将原始图像更加完整的表现出来。     

井下安全阀力学性能分析

井下安全阀对安全性和可靠性要求较高。以渤海油田常用油管携带式井下安全阀为分析对象,对其工作压力、地面控制压力、全开启和全关闭压力、最大下入深度和自平衡能力等关键力学性能进行分析。井下安全阀的工作压力值与地面液控压力值相等,其选取依据为井口压力; 全开启和全关闭液控压力值可通过压力曲线法得到; 最大下入深度取决于弹簧安装时的预紧力; 自平衡能力与活塞面积和自平衡孔面积的比值有关,比值越大,自平衡能力越强。     

DCNN深度特征与交替方向乘子的相关滤波跟踪

针对采用相关滤波的判别式目标跟踪遇到的瓶颈问题：由于目标快速移动引起边界效应，使得相关滤波器在学习与更新过程中可能会引入错误，最终错误的累积将导致跟踪失败。在采集深度学习特征与样本相似性度量的基础上，提出一种引入交替方向乘子方法的改进相关滤波目标跟踪算法，选择DCNN深度特征有效地表征待跟踪目标的初始状态，通过在线分类过程中样本相似性比对与半监督学习，辅助解决相关滤波器在学习过程中存在的自学习问题。所提目标跟踪算法特别适合训练样本为持续获得的、同时存储空间较小的机器学习过程，提高目标在快速运动与部分遮挡等复杂情况下的跟踪成功率，针对VOT2016标准测试视频的实验表明：当目标面临快速运动时，对比CN、SAMF、STC算法，所提DA-CFT跟踪算法将跟踪成功率分别由60.4%～73.4%、67.2%～82.9%、80.9%～88.1%提升至85.6%～91.0%。     

2011～2020年华北平原气溶胶光学厚度时空分布特征及潜在源分析

随着经济高速增长和城市化进程不断加快,华北平原区域性空气污染问题愈演愈烈。针对该区域开展长时序气溶胶光学厚度时空分布特征和潜在源分析研究,对华北平原大气污染治理具有重要意义。基于长时序MODIS/Terra C6.1 MOD04_L2气溶胶光学厚度产品,分析华北平原气溶胶光学厚度的时空分布特征,并利用后向轨迹聚类分析讨论华北平原7个重点城市气团输送的季节变化,并以污染较为严重的河北石家庄为例进行潜在源分析和浓度权重分析,探究影响其大气质量的污染物潜在源区。结果表明:2011～2020年华北平原气溶胶光学厚度月均值呈显著的周期性变化,以年为周期,每个周期内峰值一般出现在6月至8月; 气溶胶光学厚度月际年内呈单峰分布,峰值出现在6月(0.75),最小值出现在12月(0.37); 气溶胶光学厚度季均值从大到小依次为夏季(0.67)、春季(0.59)、冬季(0.49)、秋季(0.46); 10年间气溶胶光学厚度呈下降趋势,整体下降幅度达36.84%,其中2011年最高(0.72),2018年最低(0.45); 华北平原7个重点城市春、夏、秋、冬四季主要受短距离气团输送影响较大,长距离气团输送影响较小; 2014～2020年河北石家庄的空气质量优良天数占比相对较小,空气质量状况差,影响其空气质量的污染物多为本地生成,同时也受周边省市近距离输送的影响。     

卷积神经网络用于关节角度识别与姿势评估

为了快速准确地输出各种工作姿势风险评估结果，提出采用Kinect v2与卷积神经网络识别人体各关节角度，并输出标准姿势风险的评估得分。首先使用亚像素角点提取的棋盘标定算法标定Kinect两个摄像头，其次使用改进后的双边滤波对深度图像去噪，使用卷积神经网络识别人体关节二维位置，结合深度信息获取实际三维坐标并计算人体关节角度，最后输出姿势风险评估得分。通过两种实验分别验证了提出的Kinect角度识别与姿势评估的准确性，表明该方法关节角度识别与姿势风险评估的准确率均较高，是一种低成本、高可靠性的姿势评价方法，具有一定的科学意义和工程应用价值。     

基于堆叠深度卷积沙漏网络的步态识别

提出了一种基于堆叠深度卷积沙漏网络的步态识别方法。为了解决人体建模中关节点准确定位的问题，采用基于深度卷积的沙漏网络来提取步态图上的关节点坐标，并计算肘关节与膝关节的角度作为运动特征。为了解决行走速度变化带来的影响，采用动态时间规整（Dynamic Time Warping）对特征序列进行距离计算。通过最近邻分类器对结果进行准确分类。该方法在公共CASIA-B数据集与TUM-GAID数据集上进行了验证并与其他方法进行比较，结果表明该方法有较高的识别率。     

高温深井通风降温技术的适用条件研究

随着矿山开采深度的不断增加，“三高一扰动”恶劣开采环境问题日益突出，给矿井通风降温工作带来极大困难。对于深井矿山，仅采用通风降温难以满足深部开采的需要，系统研究高温深井矿山通风降温技术的适用性问题，对矿山深部开采具有重要的理论意义和工程适用价值。首先从热力学角度，揭示风流在通风线路中的热交换规律；其次利用差分法原理计算深井筒风流温度，并依此推导出巷道和回采工作面风流温度变化趋势；然后结合采场安全生产允许温度进行反推，最终获取通风降温条件下的可采极限深度计算公式，并选取广西铜坑矿锌多金属矿体作为工程应用试验区进行论证分析。结果表明：基于风流的热交换模型可以推导出风流在井筒、巷道及工作面的温度计算公式，该公式与低温梯度、风流流经路径长度有关；假定工作面温度达到安全开采允许最高温度，可反推出该条件下矿山可采极限深度和巷道通风极限长度（仅采用通风降温措施时）；基于铜坑矿区锌多金属矿的实际条件，代入相关数据，验证计算所得极限开采深度符合实际，即所推导公式是可行的。