复杂环形内悬空空间网格结构施工卸载优化

为解决麦积山景区游客服务中心项目的卸载施工难题，选取合理的卸载方法，文中借助了有限元软件对拟定的4种卸载方案进行了模拟分析，分别从关键节点的位移变形、结构杆件的最大应力变化、主体结构的支撑体系受力转变、临时支撑的最大反力变化、临时支撑的总反力几个方面优选出了最佳的卸载方案。结果表明内至外卸载方案下，卸载的动态最为平稳，有利于结构和临时支撑的稳定，为最优卸载方案。其相应的分析过程和分析结果都能为类似结构的安全卸载施工提供相关指导和借鉴。     

曲边平面砖的点阵原理与工程设计

根据点阵理论,提出一类边缘可为任意曲线的平面砖,其可无缝铺设无限大平面.基础平面砖TE可顺特定两轴方向平移铺排;多重平面砖TN、TNX和TNX/2须多重拼合成TE后再平移铺排.所有TE必基于平面点阵的基形P(平行四或六边形).P的变形通过"等盈亏"(EGL)操作实现,得到多种EGLP.由P或一些EGLP按"过轴心N分割"规则形成的N个同形状的凸角x边形(x=3,4,5,6)可作为TN的基形G.以上也可分割出等边多边形和半等边多边形以作为TNX和TNX/2的基形.所有基形的曲线化均可通过相应的EGL操作实现.由此人们可任意设计出各种形状的T以赋予其不同拼合性能、艺术风格和对称性.     

基于BIM超高层密集布筋区埋入式型钢混凝土柱脚施工技术

以漳州市某超高层项目为例,针对超高层密集布筋区埋入式型钢柱脚与钢筋的深化设计、地脚螺栓的定位预埋、型钢柱脚支撑体系设计、节点钢筋穿插连接施工、埋入式型钢柱脚安装等方面,提出切实可行的施工方法,解决了埋入式型钢混凝土柱脚的地脚螺栓精准预埋、与底板密集钢筋穿插连接施工、悬空支撑稳定等一系列施工技术难题,既满足了设计方案的要求,又可为类似工程提供借鉴。     

纸质简谱图像的分割、倾斜校正及音符歌词提取

乐谱图像的自动分割、倾斜校正是乐谱识别过程中的关键技术,各种计算机光学乐谱识别技术在乐谱图像的数字化中有着广泛的应用,但对于乐谱中简谱的识别一直鲜有研究.本文针对人工拍摄条件下光照不理想的简谱图像,提出一种基于PCNN(脉冲耦合神经网络)和DNN(深度神经网络)相结合的分块简谱图像自动分割算法,该方法根据简谱图像灰度分布特征对图像进行自适应分块处理,依据每个分块的灰度特征与PCNN最佳迭代次数之间的关系构造合适的DNN神经网络,从而实现了最优分割图的自适应选取;进一步利用最优分割图像中音符小节线的水平投影,提出一种双尺度下降法实现了简谱图像的倾斜校正;提出去边垂直投影法和连通域距离判断法实现了简谱图像中音符及歌词的提取.实验仿真结果表明:本文算法对复杂光照条件下的简谱图像处理都具有较好的鲁棒性,同时表现出更高的效率.     

面向心脏MRI分割的半监督空间一致性约束网络

精准分割心脏磁共振图像(MRI)分割对于心脏功能分析至关重要.当前基于数据驱动的神经网络模型极大地促进了心脏MRI分割的发展,然而对标注数据的依赖极大地限制了神经网络模型在心脏MRI分割领域的应用.为了降低神经网络模型对于标注数据的依赖,提出一种基于无监督空间一致性约束的半监督心脏MRI分割方法,在少量有标注数据的监督学习基础上,利用无标签数据在模型输入端和输出端分别进行空间变换后前后一致的特性,构建对于无标注数据的空间一致性约束.使用ACDC 2017心脏多组织分割数据集评估了所提出的方法,实验结果表明,相对于有监督学习,通过无监督数据的空间一致性约束能够显著提升模型的泛化能力;此外,相对于其他state-of-the-art的半监督方法,文中方法也拥有更优的泛化性能.     

结合注意力的3D卷积网络脑胶质瘤分割算法

为了提升脑胶质瘤分割精度，提出一种结合注意力机制的3D卷积神经网络算法。输入3个不同尺度的图像块，经过9个卷积层和1个分类层后得到3个不同的分类结果，将分类结果与注意力学习到的权重相乘并逐体素相加得到输出。此外该算法采用了一种混合Dice损失函数与Focal损失函数的超参数损失函数。实验表明，该算法的Dice系数在整体区域、核心区域以及增强区域分别达到了95.31%、80.12%、82.25%。与已有的一种脑胶质瘤分割算法deepmedic相比，整体区域、核心区域以及增强区域的Dice系数分别提升了3%、2%、6%。在脑胶质瘤分割方面，具有重要的临床意义。     

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。