基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

基于小波多尺度分析的光纤陀螺振动误差分析与建模

针对振动环境对光纤陀螺性能的影响,对某型号的光纤陀螺进行了线振动实验并对实验结果进行了Allan方差分析。利用小波多尺度变换提取了光纤陀螺误差模型中的各误差项,分析并验证了零漂及噪声误差与Allan方差分析误差系数中的量化噪声、角度随机游走以及零偏误差与误差系数中的零偏稳定性、速率随机游走、速率斜坡之间的对应关系。随后利用RBF神经网络对小波多尺度分析提取的零偏误差建立模型并进行了补偿。仿真结果表明,本文提出的方法有效减小了振动环境下各误差项对光纤陀螺性能的影响, Allan方差分析结果中的五个误差系数均有较大下降,其中两项误差系数下降了一个数量级及以上,极大提高了光纤陀螺在振动环境下的输出精度,对光纤陀螺在振动环境下的误差研究具有重要指导意义。     

高斯颜色模型在瓷片图像分类中的应用

由于RGB颜色空间不能很好贴近人的视觉感知,同时也缺少对空间结构的描述,因此采用兼顾颜色信息和空间信息的高斯颜色模型以获取更全面的特征,提出了一种基于高斯颜色模型和多尺度滤波器组的彩色纹理图像分类法,用于瓷器碎片图像的分类。首先将原始图像的RGB颜色空间转换到高斯颜色模型;再用正规化多尺度LM滤波器组对高斯颜色模型的3个通道构造滤波图像,并借助主成分分析寻找主特征图,接着选取各通道的最大高斯拉普拉斯和最大高斯响应图像,与特征图联合构成特征图像组用以进行参数提取;最后以支持向量机作为分类器进行学习和分类。实验结果表明,与基于灰度的、基于RGB模型的和基于RGB_bior 4.4小波的方法相比,本文方法具有更好的分类结果,其中在Outex纹理图像库上获得的分类准确率为96.7%,在瓷片图像集上获得的分类准确率为94.2%。此方法可推广应用到其他彩色纹理分类任务。     

Multi-Scale Dilated Convolutional Neural Network for Hyperspectral Image Classification

基于多尺度空洞卷积神经网络的高光谱图像分类

郑姗姗¹,刘文¹,单锐¹,赵静一²,江国乾³,张智⁴

（1. 燕山大学理学院,河北 秦皇岛 066004;2. 燕山大学机械工程学院,河北 秦皇岛 066004;3. 燕山大学电气工程学院,河北 秦皇岛 066004;4. 北京航天研究所,北京 100094）

创新点说明：

1）将图像分割方法——空洞卷积用于卷积神经网络进行高光谱图像分类,提取更加广泛、抽象的图像特征。

2）构建基于多尺度空洞卷积神经网络的高光谱图像分类方法。搭建多尺度聚合结构,在每个通道中使用快捷连接和空洞卷积结构,有效提取图像特征,避免信息丢失。

研究目的：

针对图像信息丢失问题,得到高精度的高光谱图像分类方法。

研究方法：

在Indian Pines和Pavia University数据集上,与4个已有的高光谱图像分类方法进行对比实验,比较OA, AA和Kappa值。

研究结果：

多尺度空洞卷积神经网络在Indian Pines和Pavia University数据集上OA值分别达到了99.58%,99.92%。AA值分别达到了99.57%,99.90%。Kappa分别达到了99.52%,99.89%。

结论：

1）在卷积神经网络中引入空洞卷积,可以有效避免图像信息丢失。

2）多尺度空洞卷积神经网络能提取更佳的判别性特征,实现高分类性能。

关键词：多尺度聚合;空洞卷积;高光谱图像分类;快捷连接

     

焊接构造对T型接头超低周疲劳性能的影响

为了研究焊接细节对钢结构超低周疲劳性能的影响,以T型接头为对象,在通用有限元程序Abaqus平台上,开发基于Arlequin算法的结构多尺度计算程序. 利用多尺度算法,开展焊接接头的局部弹塑性有限元分析. 比较焊趾半径、厚钢板未熔透长度及焊趾表面凹凸对局部塑性应变履历的影响,利用Coffin-Manson模型对T型接头的超低周疲劳特性进行定性讨论. 数值计算结果表明,焊趾位置是焊接接头的超低周疲劳易损位置,厚钢板的未熔透长度对焊接部位局部塑性应变的影响不大;焊趾半径对焊趾局部塑性应变有较大的影响,增大焊趾半径可以有效提升钢结构在循环荷载下的超低周疲劳性能;焊趾表面的平整性是影响焊趾局部塑性应变履历的重要因素,尖锐的凹坑会明显降低焊接接头的超低周疲劳性能,磨平的焊趾表面可以减少局部塑性应变,提高接头的超低周疲劳强度.     

多尺度特征提取和多级别特征融合的显著性目标检测方法

目前主流的显著性目标检测方法通常采用短连接加权的方式融合多级别特征信息,这种方式无法精准有效的控制信息流的传递。而且,现有的检测方法通常采用单一的特征检测,导致显著性目标区域与背景的边界不连续、易模糊。因此,本文提出一种多尺度特征提取和多级别特征融合的显著性目标检测方法。首先,利用不同扩张率的空洞卷积获取多尺度的上下文信息,弥补单一特征检测带来的不足。其次,提出一个多级别特征融合模块,该模块有效的利用浅层特征、深层特征和全局上下文特征信息之间的分布特性进行融合,不仅可以抑制噪声的传递,而且可以更有效地恢复显著性目标的空间细节结构信息。在5个公开的数据集上进行的实验结果表明: 相比较其它13种主流的检测方法,本文方法检测的显著图边缘轮廓连续性更好、空间结构细节信息更清晰,在综合指标(F-measure)、平均绝对误差(MAE)、结构化度量(S-measure)、精准率-召回率(PR)曲线和F-score曲线等指标上均有明显的提升。     

图像的多尺度几何分析概述*

以函数的稀疏表示为主线,详细介绍了各种多尺度几何分析产生的背景、发展历程和逼近性能,并分析了它们各自存在的优缺点,最后指出了其发展方向.     

一种关于模糊时间序列模型论域划分的多尺度比率算法

针对模糊时间序列研究中比率划分论域方法存在对非均匀数据划分效果不理想的缺陷, 提出一种基于模糊C 均值聚类(FCM) 算法的多尺度比率划分论域的方法. 首先利用FCM算法对样本数据进行分类; 然后计算各类数据的平均相对误差, 并基于各类的平均误差划分论域, 产生非等间隔的多尺度论域划分方法; 最后, 通过算例表明了多尺度比率论域划分方法的有效性.     

甲醇制烯烃流化床内流化特性的多尺度CFD模拟

近些年，我国成功开发了以煤为原料的甲醇制烯烃(Methanol to Olefins, MTO)生产工艺和技术，带动煤制烯烃产业的快速发展，保障了国家能源安全。流化床式反应器是MTO工业生产的核心反应装置，通过计算流体力学(Computational Fluid Dynamics, CFD)方法深入认知MTO流化床内的流化特性规律具有重要的意义，它可以从理论上更加准确地指导MTO流化床的优化与放大。本工作采用基于宏观?亚网格层次的气泡EMMS曳力和传统TFM耦合计算的多尺度CFD方法，对工业尺度MTO流化床内的多相流化行为进行了三维数值模拟。模拟结果表明，该多尺度CFD方法考虑了气泡结构对气?固相间曳力的影响，能较准确地预测MTO流化床内轴向颗粒浓度的“S-型”分布规律，且得到实验数据的验证；所预测的径向颗粒浓度分布呈现出经典的“环?核”分布规律，气体/颗粒的轴向时均速度在径向上的分布也与实际情况相互佐证，表明该多尺度CFD方法显著改善了基于均匀曳力的传统TFM对于宏观流场的预测能力。下一步工作将多尺度CFD方法拓展应用于MTO流化床优化放大及反应特性的研究。     

A comparative study of two wayfinding aids for simulated driving tasks – single-scale and dual-scale GPS aids

Global Positioning System (GPS) is currently the most frequently used wayfinding aid for driving. Yet, GPS is designed to act as a driving guide rather than to help users gain spatial knowledge. Accordingly, GPS might be less usable in situations where such knowledge is required or highly desirable. In this study, we experimentally study the influence of GPS display scales (single-scale vs. dual-scale) using simulated driving tasks in a virtual environment. The single-scale GPS is similar to the regular GPS view. The dual-scale GPS aid is a dual-scale navigation tool that provides two levels of detail, including both detailed and contextual information. The results demonstrate that the dual-scale GPS was more efficient in leading the participants to the destination during the simulated driving and was more useful for the participants to establish spatial awareness and a cognitive map; the dual-scale GPS participants also reported higher subjective evaluations. The proposed dual-scale GPS design and experimental results show some indications for designing new wayfinding aids aimed at increasing wayfinding performance while simultaneously helping users construct a cognitive map.