铺贴高层外墙面砖施工方案之我见

前言随着高层建筑的日益增多,在外墙装饰上,建设部等部委已联合发文限制设计使用外墙面砖,禁止设计使用马赛克等外墙瓷质贴面材料(底层或裙房除外)而提倡采用涂料饰面,并且业将成为今后发展趋势,但全国尚有不少城市的建设单位和设计院为追求建筑物外观的美观,仍沿用面砖进行装饰。由于部分施工单位的基层处理及铺贴方法不妥,各地曾多次出现外墙面砖甚至连同基层一起坠落,砸伤路人的事故。根据我公司多年的高层建筑施工经验,必须在基层处理和铺贴方法上狠下工夫,才能保证面砖铺贴质量,预防坠落事故的发生,今提出以下关于铺贴外墙面砖的施工方…     

老旧小区环境的适老化微改造建议 ——以南京建邺路、张府园小区为例

中国人口老龄化已进入加速阶段,"9073"养老格局下,居家养老的重要载体——城市老旧小区,在适老化方面存在诸多不足,陈旧的生活环境给老年人带来了不便.对老旧小区环境的适老化改造,不允许幅度太大而"伤筋动骨",而是要基于具体调研,切实考虑老人的日常生活需求,发于"微小",提供灵活细致的应对之策.     

路桥施工中钢纤维混凝土施工的关键点分析

随着我国路桥工程发展脚步逐渐加快,越来越多的施工方式开始用于路桥工作的施工中。路桥施工技术中钢纤维混凝土施工技术是常见的一种,重视提高钢纤维混凝土施工技术对提高路桥工程整体施工质量具有非常重要的意义。本文对路桥施工中钢纤维混凝土施工技术控制要点、施工注意要点进行全面分析,旨在加快路桥施工事业的发展速度。     

人脸欺诈检测最新进展及典型方法

以人脸为生物特征的身份认证由于其简单、快捷和无接触，深受用户喜爱。然而，不法分子针对人脸的易于伪造和认证场景的多样性，恶意攻击人脸识别系统，给国家安全和人民生活带来极大危害，有必要深入研究人脸的反欺诈技术。该文收集了经典和代表性论文68篇，其中包括近2年来国际主流期刊和会议的相关论文50余篇，从7大类来梳理近期人脸欺诈检测的技术脉络，把握领域的最新动向。为了使读者洞悉各类的技术精髓，对典型方法进行了重点介绍，并对各类进行了技术小结。在方法介绍结束之后，对2019年以来新推出的6个人脸欺诈检测数据库进行了简要介绍，便于读者对本领域的最新算法开发和验证平台有所了解。结语部分对人脸欺诈检测7类方法之间的关联、在理论和应用上的总体现状、存在的主要问题以及发展的方向作了简单的总结和展望。      

退火温度对Ti-Si-C涂层显微结构和抗氧化性能的影响

采用磁控溅射工艺在Al2O3基体表面制备了Ti-Si-C涂层,并利用真空退火的手段对涂层进行了高温热处理。通过改变退火温度,研究了Ti-Si-C涂层中Ti3SiC2相的形核长大机制,评估了退火温度对涂层抗氧化性能的影响。使用X射线光谱仪(XPS)表征了涂层中的化学键态,使用X射线衍射仪(XRD)分析了涂层中的物相变化,借助电子扫描显微镜(SEM)观察了涂层的表面形貌。试验结果表明,退火前的Ti-Si-C涂层由非晶TiC、非晶硅和游离碳组成;退火温度较低时,涂层以非晶TiC的晶化反应为主;随着退火温度升高至950℃,硅原子的扩散系数增大,涂层中有少量SiC相和TiSi2相生成;当退火温度高于1 100℃时,涂层中的Ti3SiC2相开始以TiC晶体为异质核心形核生长;在1 000℃的空气静置氧化中,Ti-Si-C涂层的抗氧化性能随着退火温度的上升而提高。     

工程施工中仿清水砖墙贴面技术

某工程外墙采用清水砖墙贴面,施工中采用特殊工艺,选用GS-200粘结剂、GS280嵌缝剂、F-219W防护剂等新型建筑材料,达到了预期效果,满足了设计要求。     

基于元伪标签和光照不变特征的人脸反欺诈算法CSCD

Face anti-spoofing (FAS) plays a vital role in preventing face recognition systems from presentation attacks. Benefitted from powerful capability of feature extraction of deep learning (DL) network, FAS algorithms based on deep learning are much superior to those ones based on traditional handcrafted features in detection performance and thus become a research hotspot. Although most DL-based FAS algorithms can achieve good performance for intra-database test, the performance decreases greatly for cross-database test. The main reason is that samples are often collected under different capturing settings for intra-database and cross-database, for example, different cameras, environment illuminations, presentation medium, and thus their distributions are different, which can lead to the domain shift problem. When the diversity of training samples is insufficient, a model trained with such samples can be easily overfitting for intra-database while not being able to perform well for cross-database. Although the reasons of poor generalization are clear, the solution to them cannot be easily achieved in real-world applications. On the one hand, it is difficult for the FAS model to collect labeled training samples for all scenarios; on the other hand, different application scenarios make the same factor behave differently, which affects the extraction of intrinsic spoofing textures. In this paper, we introduce meta-pseudo-label into the FAS task, and propose a FAS method based on meta-pseudo-label. There are three major contributions. First, we propose a semi-supervised learning framework of “teacher generates pseudo-label and student feedbacks” based on image patches, which extracts the highly discriminative features of local images to solve the problem of insufficient labeled samples. Second, based on the Pattern of Local Gravitational Force (PLGF), we design an illumination-invariant feature branch with an attention module to suppress the illumination influence on feature extraction in application scenarios. Third, the meta-learning is combined with the semi-supervised learning framework to optimize the process of generating pseudo-label by teacher and improve the generalization ability of the algorithm. Compared with state-of-the-art algorithms, the proposed method performs quite well in both intra-database test and cross-database test on three public datasets including CASIA, Replay-Attack, and MSU. Specifically, the performance in cross-database is greatly improved. It can achieve the lowest HTER values for middle-sized sample number. © 2023 Chinese Academy of Sciences. All rights reserved.     

基于元伪标签和光照不变特征的人脸反欺诈算法

人脸反欺诈(Face anti-spoofing,FAS)在防止人脸识别系统遭受欺诈攻击方面起着至关重要的作用,得益于深度学习网络强大的特征提取能力,基于深度学习的FAS算法取得比基于传统手工特征算法更好的性能,成为近期的研究热点。尽管大多数基于深度学习的FAS算法能在库内达到很好的检测效果,但是跨库检测性能欠佳,主要原因是库内和库外数据往往在不同条件下采集,例如拍摄设备、环境光照和攻击呈现设备不同,导致库内和库外数据的分布不同,两者之间存在域位移。当训练数据的多样性不足时,容易在库内学习过程中过拟合,跨库泛化性能不好。尽管我们可以判断起因,然而在真实世界的应用过程中解决上述问题并不容易。一方面,人脸反欺诈模型难以收集所有场景下的有标签训练样本;另一方面,不同应用场景使得同一因素产生不同的影响,例如,不同场景的光照导致域位移,影响了分类模型对本质性欺诈纹理的提取。为此,本文将元伪标签引入人脸反欺诈任务,提出一种基于元伪标签的人脸反欺诈方法。主要贡献包括:第一,提出一种基于图像块的“教师生成伪标签,学生反馈”半监督学习框架,挖掘局部图像的高区分度特征,解决有标签样本不足的问题;第二,基于局部重力模式(Pattern of localgravitational force,PLGF),设计一种带有注意力模块的光照不变特征分支,抑制应用场景中最容易影响特征提取的光照因素;第三,将元学习与半监督学习框架相结合,优化教师生成伪标签的过程,提高算法的跨库检测能力。与现有流行算法相比,在三个公开的测试数据集(包括CASIA、Replay-Attack和MSU)上,所提出方法在库内测试和跨库测试下均有突出的表现,尤其是泛化性能得到显著提高。在样本数量中等时,在不同库中的半总错误率保持最低。