广义无监督函数映射学习的三维形状密集对应方法

提出了一种新颖的广义无监督函数映射学习的三维形状密集对应方法。首先，基于多层感知器（multilayer perceptron,MLP）和残差网络，直接学习深度点特征。其次，计算点云的近似测地线距离，并对其进行特征分解，建立特征嵌入空间，引入注意力机制，有效学习广义基函数表示。再次，结合点特征与广义基函数生成三维形状的深度特征表示。最后，建立无监督的函数映射网络框架，获取形状之间的密集对应表示。提出的三元正则优化机制，联合重构损失、特征损失和形状匹配的距离损失，在特征域和空间域上有效提升了学习性能及形状对应的精度。实验结果表明，广义基函数表示与无监督函数映射学习机制适用于任意三维形状，突破了现有方法只适用于连续二维流形的局限，在任意三维形状匹配中取得了更优的性能。     

温度-随机载荷下CFL加固RC梁疲劳性能的实验研究

考虑亚热带地区公路桥梁的服役环境温度与车辆载荷的作用效应,本文以碳纤维薄板(CFL)加固钢筋混凝土(RC)桥梁结构为研究对象,利用本课题组构建的实验平台,提出了温度与车辆随机载荷耦合作用下CFL加固RC梁的疲劳实验方法。在3个温度和3个载荷水平下实施了温度-随机载荷耦合作用下的三点弯曲疲劳实验,初步探讨了温度-随机载荷作用下加固梁的疲劳破坏机理,并提出了温度-随机载荷耦合下加固梁疲劳寿命的半经验公式。     

浅层宽度学习网络模型应用于柚子果肉高光谱数据分析

提出一种浅层宽度学习(SBLN)的模型框架,应用于近红外高光谱(NIRHSI)快速分析。通过调试SBLN模型结构参数,针对网络节点的连接权重进行自适应调试,在光谱维度上挖掘NIRHSI数据中的特征信息,结合偏最小二乘(PLS)法优化模型预测结果。实验以柚子果肉NIRHSI检测为例,建立SBLN-PLS模型定量预测柚子果肉中的有机酸(OA)含量。结果表明,最优SBLN模型结构由95个扩展节点和31个输出节点构成,对应的PLS预测均方根偏差为0.578 g·kg^-1。所提出的SBLN算法框架能够有效应用于柚子果肉OA含量检测的高光谱快速定量分析,有望推广应用于其他农副产品的绿色检测。     

基于斑马鱼图像特征的鱼群检测算法北大核心CSCD

计算机视觉方法越来越多地应用于斑马鱼的群体行为研究;但是,由于斑马鱼游动过程形体变化大,遮挡多,准确与鲁棒地检测出斑马鱼仍然是一件非常具有挑战性的问题。为了解决该问题,提出一种基于斑马鱼图像特征的鱼群检测算法。首先通过分析目标特性,提出使用鱼头和鱼尾替代全鱼的检测方法,解决了传统整鱼检测在鱼群交叉遮挡时失效的难题;然后基于斑马鱼图像特征自动构建训练集,避免了深度学习手动标注的费时费力问题。通过对实际斑马鱼视频进行处理验证,与现有的算法相比,本文提出的方法在标注率、召回率(recall,R)与遮挡检测率(occlusion detection rate,ODR)等性能指标上有更好的实验效果。其中,在标注性能方面,本文提出的自动标注方法在总标注率上达到87.40%;在训练集效果方面,本文自动标注算法结合人工校正在标注时间上相比于人工标注方法减少93.11%,均值平均精度(mean average precision,mAP)达到79.80%;在目标检测方面,在目标遮挡率为42.72%的情况下,本文检测算法能够获得82.0%的召回率及58.02%的遮挡检测率。