Cs-K混合蒸气中Cs(8D)+K(4S)碰撞能量转移

在Cs-K混合蒸气中，两步激发Cs原子到8D态，观察了Cs(8D) K(4S)→Cs(5D) K(4P)碰撞能量合并逆过程(REP，reverse energy pooling)。应用双调制技术探测K(4P)原子发射的荧光，基态K原子密度用光学吸收方法测量。得到了REP速率系数，讨论了其它过程对速率系数的影响．     

A bi-criteria model for the inventory aggregation problem under risk pooling

Inventory aggregation, also called Risk Pooling, is one of the most efficient ways to reduce the level of safety stocks thereby reducing inventory across the supply chain. Determining the best level of aggregation is a difficult problem and needs extensive study of all the possible scenarios that can affect this decision. Minimizing costs in a supply chain is no longer the sole priority of businesses. Maintaining a high level of responsiveness is also considered equally important. The conflicting nature of these two criteria makes the solution of the problem difficult. In this paper, we develop a bi-criteria nonlinear stochastic integer programming model to determine the best supply chain distribution network to meet customer demands, where minimizing costs while maintaining high levels of responsiveness is important. We develop a two-stage optimization algorithm to solve this problem.     

基于改进HRNet的眼底视网膜血管分割算法

针对现有眼底视网膜血管分割算法普遍存在的微小血管细节丢失和病灶信息误判等问题,提出一种基于改进HRNet的血管分割算法.在预处理阶段,利用限制对比度自适应直方图均衡化和自适应的Gamma矫正提高血管与背景对比度;在编码阶段,将HRNet原始卷积替换为可变形卷积,提升卷积对复杂血管形态结构的适应能力;在多尺度特征融合阶段,引入空间金字塔池化和多尺度卷积,扩大感受野同时增强对目标局部特征关注度,改善血管伪影和细微信息丢失的问题.该算法在DRIVE数据库上仿真实验,其准确率、灵敏度和特异性分别为95.79％、80.33％和98.12％.     

面向文本分类的多头注意力池化RCNN模型

针对经典循环卷积神经网络（RCNN）在池化层采用的最大池化策略较为单一,会忽略除最突出特征外的其他特征,影响分类精度的问题,提出基于多头注意力池化的循环卷积神经网络（MHAP-RCNN）模型。多头注意力池化可以充分考虑各特征对分类的贡献,且能在训练过程中动态优化,有效缓解最大池化的单一性问题。在三个公开的文本分类数据集上进行实验,结果表明与经典RCNN及其他各模型相比,提出的模型具有更好的文本分类性能。     

基于改进残差网络的扬尘图像识别方法

当前利用深度学习方法进行扬尘图像识别的研究较少,一些传统的方法使得扬尘图像的识别率较低.针对这种情况,提出一种基于改进残差网络的扬尘识别方法.该方法将ResNet-50网络应用到扬尘数据集中,并对其网络结构进行了改进.加入空间金字塔池化以解决输入图像尺寸不固定的问题,并且将金字塔池的策略改为平均池化,将扩大特征图的方法应用到主干网络中,有利于提取到更加细粒度的特征,提升模型的性能,从而提高识别率.实验结果表明,该方法具有很高的精确度,为扬尘识别提供了一种有效的方案.     

深度连续卷积神经网络模型构建与性能分析

为了提升卷积神经网络特征提取能力,设计了一种基于连续卷积的深度卷积神经网络模型.该模型采用小尺度的卷积核来更细致地提取局部特征,并借助连续的两个卷积层增加模型的非线性表达能力,结合Dropout技术降低神经元之间的相互依赖,利用抑制网络过拟合对模型进行优化.人脸表情、手写数字字符和彩色图像的目标识别实验表明,在图像较为复杂时,该模型在识别的准确性和泛化性能上比手工特征提取方法及一般的2、3层卷积结构具有明显的优势.     

不同池化模型的卷积神经网络学习性能研究

目的 基于卷积神经网络的深度学习算法在图像处理领域正引起广泛关注。为了进一步提高卷积神经网络特征提取的准确度,加快参数收敛速度,优化网络学习性能,通过对比不同的池化模型对学习性能的影响提出一种动态自适应的改进池化算法。方法 构建卷积神经网络模型,使用不同的池化模型对网络进行训练,并检验在不同迭代次数下的学习结果。在现有算法准确率不高和收敛速度较慢的情况下,通过使用不同的池化模型对网络进行训练,从而构建一种新的动态自适应池化模型,并研究在不同迭代次数下其对识别准确率和收敛速度的影响。结果 通过对比实验发现,使用动态自适应池化算法的卷积神经网络学习性能最优,在手写数字集上的收敛速度最高可以提升18.55%,而模型对图像的误识率最多可以降低20%。结论 动态自适应池化算法不但使卷积神经网络对特征的提取更加精确,而且很大程度地提高了收敛速度和模型准确率,从而达到优化网络学习性能的目的。这种模型可以进一步拓展到其他与卷积神经网络相关的深度学习算法。     

多线程管理下的数据库访问技术

对数据库服务器访问的管理,是提高C／S架构系统性能的重要环节。采用多线程技术对即时访问通道进行动态管理,可有效降低系统资源消耗,提高系统响应速度。     

基于视角置信度和注意力的暴力行为识别

暴力行为容易出现遮挡情况, 识别准确率较低. 目前, 一些算法加入多视角视频输入来解决遮挡问题, 以等量权重将所有视角数据融合, 但是不同视角的视频因拍摄距离和遮挡情况本身就对识别存在差异性. 针对该问题, 本文提出一种基于视角置信度和注意力的暴力行为识别方法, 提高暴力识别的准确率. 本文将时序差分模块TDM的输入扩展成多视角, 将通道注意力机制运用在片段维度来增强TDM中跨段特征提取能力, 通过背景抑制方法突显移动目标的纹理特征并计算出每个视角图像的置信度, 引入双线性池化方法融合多视角视频特征, 根据视角置信度分配每个视角局部特征的权重. 本文在公开数据集CASIA-Action和自制数据集上进行了验证. 实验表明, 本文提出的视角置信度方法优于改进前的双线性池化方法, 暴力行为准确率相较于现有的行为识别方法取得了更好的效果.     

FSNet: 基于频率特性的烟雾图像分割网络

烟雾图像分割是对烟雾进行识别与精准定位的基础, 是火灾预警的重要手段. 针对烟雾分割时存在过分割、欠分割以及边界拟合粗糙的问题, 本文提出一种基于频率分离特性的烟雾图像分割网络. 所提出的频率分离模块将特征图中的烟雾区域分离为低频主体部分和高频边界部分, 同时基于多任务学习设计多模块权重自适应损失函数对烟雾整体、主体、边界分别监督学习, 起到细化烟雾边界和改善烟雾整体分割结果的作用; 此外, 结合可变形卷积提出改进的空洞空间金字塔池化模块以解决其信息利用率低和特征关联性差的问题. 在对比实验中, FSNet的烟雾交并比为76.55%, 比基线网络提高了4.25%. 可视化分割结果可以看出, FSNet能有效缓解过分割、欠分割, 所得烟雾边界更平滑, 烟雾图像分割的整体性能获得较大提升.