无重叠图像期间的卫星平台颤振估计算法

提出了基于双重约束函数的无重叠图像期间的颤振估计算法。建立了视差图像与低频颤振相结合的双重约束函数,以评价无重叠图像期间颤振曲线的平滑度;采用共轭梯度法筛选颤振曲线平滑度最优解,并以此作为无重叠图像期间颤振的最佳估计;建立了无重叠图像期间与重叠图像期间颤振之间的函数关系式。以我国XX-1号可见光详查相机为例进行实验,颤振探测结果在被测颤振的频率既不等于也不接近特征频率的整数倍处具备有效性,证明了所提算法能够对无重叠图像期间非特征频率整数倍及其附近处的颤振进行有效探测。     

Smarandache函数在两数列上的下界估计

设S(n)是Smarandache函数,其中n是一正整数.讨论Smarandache函数S(n)在数列F((2k),1)=F(n,1)=n2n+1(n=2k)与数列G(2n,1)=(2n)2n+1上的下界估计.基于初等方法证明了:当偶数n≥6时,有S(F((2k),1))=S(F(n,1))≥6×2n+1;当n≥4时,有S(G(2n,1))≥6×2n+1.     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类，从而判断焊接质量的等级，对传统卷积神经网络进行改进，提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率，并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响，采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理，并在该数据集上验证模型的有效性。与传统卷积神经网络相比，该模型具有良好的性能，在测试集上准确率达到96.77%，同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

利用超强激光进行深度狄拉克态的可行性研究

多年以来，很多不同的理论预言了深度狄拉克态(DDL)的存在。然而，DDL的存在依然存在很大的争议，急需进行验证。随着超强激光技术的提高，可以利用超强激光把电子加速到相对论能量，也可以产生正负电子对，引发核反应等。强激光所提供的这种极端环境也为探索DDL带来新可能。本文提出一个新的探测DDL的方法，即以原子核的轨道电子俘获寿命在强激光等离子体中的变化为探针，探测DDL是否存在。计算表明，若DDL存在，轨道电子俘获寿命变化可达7个量级，从而有望在现有超强激光条件下探测DDL。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

医学影像处理的深度学习可解释性研究进展

随着医学影像数据的迅速增长，传统的影像分析方法给医生带来巨大挑战。利用计算机视觉技术提供自动或半自动辅助诊断，可大大缓解人工阅片压力，提高诊断的准确性，促进医疗流程的标准化建设等。目前，深度学习卷积神经网络在医学影像处理中已取得不俗表现，但深度学习“黑匣子”的不可解释性阻碍了智能医疗诊断的发展。为增强对医学影像数据处理的深度学习可解释性的了解，对近几年相关研究进展进行了综述。首先，综述了深度学习在医学领域的应用现状及面临的问题，对神经网络的可解释性内涵进行了讨论；然后，从现有深度学习可解释性的常见方法出发，重点讨论了医学影像处理的深度学习可解释性研究进展；最后，探讨了医学影像处理的深度学习可解释性的发展趋势。     

融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测

PM_2.5小时浓度多为单步预测。为实现PM_2.5小时浓度的多步预测，基于“编码器-解码器”的序列-序列预测（Seq2Seq）模型，集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力，提出了融合图卷积神经网络和注意力机制的PM_2.5小时浓度多步预测（GCN_Attention_Seq2Seq）模型。并与Seq2Seq模型和使用了图卷积神经网络、未使用注意力机制的GCN_Seq2Seq模型进行了对照，以2015—2016年北京市22个空气质量监测站点的空气质量数据为样本进行实例验证，结果表明，Seq2Seq模型和图卷积神经网络（GCN）可对PM_2.5小时浓度数据的时空依赖进行有效建模，注意力机制有助于减缓多步预测中的预测精度衰减，提升PM_2.5小时浓度多步预测的精度。GCN_Attention_Seq2Seq模型可有效应用于多种长度的PM_2.5浓度预测窗口。     

数学深度解题教学探析——2021年全国乙卷理科第12题为例

为促使数学解题教学走向深入,本文基于2021年全国乙卷理科第12题,从深度应用、深度联结和深度拓展这三个维度进行探究,分析该题解决过程中所涉及的数学思维,挖掘数学思维在数学深度教学中的价值.     

Tail behavior of supremum of a random walk when Cramér’s condition fails

We investigate tail behavior of the supremum of a random walk in the case that Cramer＇s condition fails, namely, the intermediate case and the heavy-tailed ease. When the integrated distribution of the increment of the random walk belongs to the intersection of exponential distribution class and O-subexponential distribution class, under some other suitable conditions, we obtain some asymptotic estimates for the tail probability of the supremum and prove that the distribution of the supremum also belongs to the same distribution class. The obtained results generalize some corresponding results of N. Veraverbeke. Finally, these results are applied to renewal risk model, and asymptotic estimates for the ruin probability are presented.     

基于视角无关转换的深度摄像机定位技术

通过整合深度和颜色信息,深度摄像机Kinect能够稳健的侦测出人体及人体骨架关节点,为计算机视觉、人体行为识别、机器人学的发展带来了革命性的进步.然而单台深度摄像机的侦测范围有限.虽然采用多台深度摄像机所构建的摄像机网可有效的扩大侦测范围,但是必须依赖深度摄影机之间的相对位置与朝向的精确标定.论文采用作者之前提出的以人体骨架为基础的视角无关转换技术,能快速稳健的标定出深度摄像机之间的位置关系.通过利用相邻两台深度摄影机同时侦测到的人体骨架,论文能直接利用深度摄影机所量测的人体上半身中稳定的关节点为新坐标系的参考点,实时的计算出两摄影机之间的平移向量和旋转矩阵,而不依赖其他额外的校正设备或人为介入处理.通过在室内环境中安装两台摆放于不同位置与朝向的深度摄影机,从而,验证了该方法的实时性与易用性.该实时标定方法解决了深度摄影机侦测范围有限的限制,同时,可由两两相邻的标定扩展到多台深度相机的全局标定,从而,可以被广泛的应用于人体行为识别、情境感知服务等领域.