深度学习单目深度估计研究进展

单目深度估计是从单幅图像中获取场景深度信息的重要技术,在智能汽车和机器人定位等领域应用广泛,具有重要的研究价值。随着深度学习技术的发展,涌现出许多基于深度学习的单目深度估计研究,单目深度估计性能也取得了很大进展。本文按照单目深度估计模型采用的训练数据的类型,从3个方面综述了近年来基于深度学习的单目深度估计方法：基于单图像训练的模型、基于多图像训练的模型和基于辅助信息优化训练的单目深度估计模型。同时,本文在综述了单目深度估计研究常用数据集和性能指标基础上,对经典的单目深度估计模型进行了性能比较分析。以单幅图像作为训练数据的模型具有网络结构简单的特点,但泛化性能较差。采用多图像训练的深度估计网络有更强的泛化性,但网络的参数量大、网络收敛速度慢、训练耗时长。引入辅助信息的深度估计网络的深度估计精度得到了进一步提升,但辅助信息的引入会造成网络结构复杂、收敛速度慢等问题。单目深度估计研究还存在许多的难题和挑战。利用多图像输入中包含的潜在信息和特定领域的约束信息,来提高单目深度估计的性能,逐渐成为了单目深度估计研究的趋势。     

竹基剩余物高值转化技术与材料化应用

以苯酚为液化试剂,在低温和低浓度酸催化剂的条件下对竹粉进行选择性酚化,优化获得热化学高值转化竹材或竹材下脚料的配方与工艺。红外光谱测试结果表明竹粉在热化学酚化条件下发生了降解反应,并产生了具有新取代基的苯环结构的酚化产物。竹粉中的无定形组分(部分纤维素组分、半纤维素组分)和木质素组分完全被酚化,得到了具有很好流动性的高活性酚化液,可用于制备高性能环保型酚醛胶,并获得中试产品。而未被酚化的残渣为高度结晶的竹纤维素,经分离得到高纯度的竹纤维素微粉。同时探讨了竹材分离转化的机理。