上覆地表车载作用下群洞隧道动力响应研究

依托浅埋四孔小净距隧道工程实践,基于行车动载理论,建立了三维弹性半空间隧道振动分析模型,分析车速和载重等10种激励作用下隧道竖向位移及应力响应规律。结果表明,在不同激励力作用下中隔带路面沉降最大,影响范围至隧道拱腰 拱脚位置,呈倒槽型分布,且4条隧道均在拱顶出现位移峰值,峰值随载重大致呈线性关系,车行及人行隧道位移曲线近似呈镜面对称的“漏斗型”曲线和渐变曲线。隧道最大主应力峰值主要分布于左、右拱肩,主应力峰值随载重大致呈线性关系。车行及人行隧道主应力近似呈镜面对称的不规则“双峰型”曲线和渐变曲线。公路下穿段范围隧道位移及主应力变化速率较大,但车速对隧道竖向位移及主应力影响并不明显,载重是关键影响因素。结合分析结果,给出了监控加密部位、交通管制及加固措施等建议。     

用于实时目标检测的高速可编程视觉芯片

视觉芯片是一种高速、低功耗的智能视觉处理系统芯片,在生产生活中有广阔的应用前景。文中提出了一种新型的可编程视觉芯片架构,该架构的设计考虑了传统计算机视觉算法和卷积神经网络的运算特点,使其能够同时高效地支持这两类算法。该视觉芯片集成了可编程的多层次并行处理阵列、高速数据传输通路和系统控制模块,并采用65 nm标准CMOS工艺制程流片。测试结果表明:视觉芯片在200 MHz系统时钟下达到413GOPS的峰值运算性能,能够高效地完成包括完成人脸识别、目标检测等多种计算机视觉和人工智能算法。该视觉芯片在可编程度、运算性能以及能耗效率等方面都大大超越了其他视觉芯片。     

（英）CCNet:面向多光谱图像的高速船只检测级联卷积神经网络

针对实现遥感图像中船只目标的快速检测,提出了一个采用多光谱图像、基于级联的卷积神经网络(CNN)船只检测方法CCNet。该方法所采用两级级联的CNN依次实现感兴趣区域(ROI)的快速搜索、基于感兴趣区域的船只目标定位和分割。同时,采用含有更多细节信息的多光谱图像作为CCNet的输入,能够提升网络提取特征鲁棒性,从而使得检测更加精确。基于SPOT 6卫星多光谱图像的实验表明：与当前主流的深度学习船只检测方法相比,该方法能够在实现高检测精准度的基础上将检测速度提高5倍以上。     

CCNet:面向多光谱图像的高速船只检测级联卷积神经网络（英文）

针对实现遥感图像中船只目标的快速检测,提出了一个采用多光谱图像、基于级联的卷积神经网络(CNN)船只检测方法 CCNet.该方法所采用两级级联的CNN依次实现感兴趣区域(ROI)的快速搜索、基于感兴趣区域的船只目标定位和分割.同时,采用含有更多细节信息的多光谱图像作为CCNet的输入,能够提升网络提取特征鲁棒性,从而使得检测更加精确.基于SPOT 6卫星多光谱图像的实验表明,与当前主流的深度学习船只检测方法相比,该方法能够在实现高检测精准度的基础上将检测速度提高5倍以上.