结合强化学习自适应候选框挑选的SAR目标检测方法

大场景合成孔径雷达(SAR)图像相对于通用光学图像,复杂背景杂波对目标特征提取影响更大,由于传统基于候选框的深度目标检测算法会在整张特征图上产生大量冗余候选框,因而在SAR图像复杂背景杂波影响下会产生大量的虚警,降低目标检测精度。针对该问题,该文基于Faster R-CNN检测模型,提出结合强化学习自适应候选框挑选的SAR目标检测方法。该方法能够通过强化学习自适应搜索特征图中可能含有目标的区域,并挑选搜索区域内的候选框继续进行分类、回归。通过准确搜索到含有目标的区域,可以减少复杂背景杂波的影响并减少传统强化学习应用于检测问题的计算量。所提方法利用强化学习序列决策的特点,能够根据图像信息通过强化学习迭代搜索自适应确定图像中可能含有目标的搜索区域的位置。同时,该方法通过在强化学习中使用距离约束,可以根据之前的搜索结果自适应调整下一次搜索区域的尺寸。基于实测数据的实验结果表明,所提方法能够提升传统深度学习目标检测方法的检测性能。      

基于数字体图像相关法的TATB基PBX材料内部变形测量

研究采用μ-CT对单轴压缩过程中的三氨基三硝基苯（TATB）基高聚物黏结炸药（Polymer Bonded Explosives, PBX）试件进行了原位扫描,获得了不同载荷下试件的三维数字体图像;采用基于反向组合高斯-牛顿配准算法（Inverse Compositional Gauss-Newton, IC-GN）的局部数字体图像（Digital Volume Correlation, DVC）方法分析了试件加载前后的2组数字体图像,获得了试件内部具有亚体素精度的三维位移场和应变场;基于获得的应变场根据胡克定律弹性本构关系,重建试件内部的三维应力场。研究结果表明,基于μ-CT和DVC结合的内部变形测量技术能够直观地揭示试件内部应变局部化区域的产生,并识别亚体素微裂纹在样品中的位置。     

基于半监督学习的SAR目标检测网络

现有的基于卷积神经网络(CNN)的合成孔径雷达(SAR)图像目标检测算法依赖于大量切片级标记的样本,然而对SAR图像进行切片级标记需要耗费大量的人力和物力。相对于切片级标记,仅标记图像中是否含有目标的图像级标记较为容易。该文利用少量切片级标记的样本和大量图像级标记的样本,提出一种基于卷积神经网络的半监督SAR图像目标检测方法。该方法的目标检测网络由候选区域提取网络和检测网络组成。半监督训练过程中,首先使用切片级标记的样本训练目标检测网络,训练收敛后输出的候选切片构成候选区域集;然后将图像级标记的杂波样本输入网络,将输出的负切片加入候选区域集;接着将图像级标记的目标样本也输入网络,对输出结果中的正负切片进行挑选并加入候选区域集;最后使用更新后的候选区域集训练检测网络。更新候选区域集和训练检测网络交替迭代直至收敛。基于实测数据的实验结果证明,所提方法的性能与使用全部样本进行切片级标记的全监督方法的性能相差不大。     

郭昱辰作品赏析

正~~     

复掺早强剂对水泥稳定碎石基层性能的影响

以水泥稳定碎石的1 d无侧限抗压强度高为优选原则,在单掺三乙醇胺（TEA）和硫酸钠（NS）试验的基础上再进行复掺试验,并结合交互作用检验筛选出3组最佳复配掺量;通过干缩应变试验、温缩应变试验、冻融循环试验研究复掺早强剂对水泥稳定碎石耐久性的影响;通过扫描电镜（SEM）、X射线衍射（XRD）分析进一步研究早强剂改善水泥稳定碎石性能的作用机理。结果表明,TEA和NS对水泥稳定碎石抗压强度的影响存在交互作用,2.0%NS与1.0%TEA复掺的改善效果最优,复掺TEA和NS可有效提高水泥稳定碎石的强度,改善材料的干缩应变和抗冻性能;早强剂可加速水泥水化,促进稳定碎石中凝胶成分的形成。