基于Cascade-Rcnn的行人检测

Faster Rcnn是目标检测领域中精确度较高、使用范围较广的一个经典算法,而Cascade Rcnn是借鉴Faster Rcnn改进的。文章将Cascade Rcnn的方法应用于行人检测中,利用深层卷积神经网络提取图像特征,通过RPN提取可能含有行人的区域,利用多层级联的检测器对目标区域进行判别和分类,在数据集中进行了检测验证。实验结果表明,相比基于Faster-rcnn的行人检测方法,在测试集上检测准确度达到了66.2%,其检测效果更好。     

共和干热岩地热井GR2井区三维地应力场反演分析

GR2 地热井位于共和恰卜恰镇，干热岩地热井井深达到4000 米，大深度井区极大增加了反演的难度．井区附近20 千米内无大型构造，附近地应力场的主要影响因素为板块构造应力和自重应力．由于井中未进行三维地应力场测井工作，所以我们以地面地应力调查结果和震源机制解反演结果为依据，基于MIDAS GTS 和大比例尺高清卫星云图建立有限元数值模型，使用改进的边界法进行反演计算，最终预估了井中地应力场分布特征．对于后续的井网布置以及干热岩井场开采具有重要意义．     

基于多分支结构的不确定性局部通道注意力机制

近几年的研究表明视觉注意力机制是提升深层卷积神经网络性能的有效途径.然而,现有的视觉注意力方法更多地致力于建模所有卷积通道之间的相关性,在一定程度上限制了模型的计算效率.此外,这些方法尚未明确考虑相关性建模过程中不确定性带来的影响,缺少对注意力机制在泛化能力和稳定性方面的探索.为解决上述问题,提出了一种多分支局部通道注...     

灵芝发酵液中蛋白酶抑制剂GLPIA2的纯化及其特性

采用乙醇分级沉淀、凝胶色谱纯化、阴离子交换色谱分离等步骤从灵芝深层发酵液中提取得到蛋白酶抑制剂GLPIA1 与GLPIA2。其中GLPIA2仅在215 nm处有紫外吸收,经十二烷基硫酸钠-聚丙烯酰胺凝胶电泳鉴定为单一条带,相对分子质 量为15000。由其氨基酸组成分析谱图可看出,其酸性氨基酸含量较高,碱性氨基酸及芳香族氨基酸含量较低。GLPIA2抑 制剂的底物特异性研究表明,它对天冬氨酸族的胃蛋白酶和酵母蛋白酶A有相对较强的抑制作用。     

Internet推动的化学信息学重要进展*

Internet的普及为专业人员获取数据信息、利用计算工具提供了统一的平台,由此为化学信息学的发展带来了新的空间,推动了化学信息学以网络为基础,以化学相关的数据、信息及计算资源共享为目标的快速发展。本文将从不同侧面回顾近10年来化学信息学的重要进展, 包括：(1) 网络化学信息检索：索引对象从化学浅层网向化学深层网发展;检索工具从Web化学信息资源导航向化学专业搜索引擎(包括文本信息和化合物标识信息)、及化学深层网检索引擎 (化合物物性数据提取)发展;索引粒度从Web站点向页面、乃至页面中的特定内容发展,一般页面特定内容的数据提取(即非结构化数据提取)是未来发展的方向。(2)可共享的化学数据库：从可免费访问和使用的化学数据库向数据库内容通过集成多来源数据(包括数据库拥有者主动收集、多来源数据主动提交达到共享的方式,repository)实现数据库内容免费下载和共享,以及不同数据库之间的相关内容实现无缝连接的方向发展(如NIH建成的药物小分子共享数据库PubChem)。(3) 开源(open source)化学软件工具包：从化学结构基本处理模块如CDK、JOELib向集成开发环境如化学信息学与生物信息学集成环境Bioclipse发展。(4) 与化合物及其数据共享相关的推荐标准：包括用于共享数据交换的化学标记语言CML、IUPAC推荐的学术论文相关热力学实验数据提交标准ThermoML及化合物结构唯一描述码InChI。(5) 计算化学资源共享及基于网格的应用：从可执行程序的下载向在线计算、基于网格的应用发展。(6) eChemistry和虚拟研究环境：网络也成为化学相关日常的科学活动中不可缺少的平台。构建以网络为平台、支持开展科研活动的数字化基础设施和服务的eChemstry探索开始出现,根据需要自主集成多来源数据和计算资源,形成不同层次的支持协同工作的虚拟研究环境是未来数据和计算资源共享方式的发展方向。     

深层神经网络预训练的改进初始化方法

在基于神经网络的语音识别任务中,提出根据激励函数二阶导数优化网络预训练阶段中权值初始化的方法。利用激励函数的非线性区域和自变量呈高斯分布的特性,寻找权值分布的较优方差以提升训练速度。通过比较同一学习速率下不同初始化数值对收敛速度的影响,发现此种方法可以加快预训练阶段的速度,提升神经网络训练的效率。     

基于语音增强方法的语音端点检测

语音端点检测的检测结果好坏对后续的语音处理起着决定性的作用。为了解决语音端点在低信噪比情况下检测率不高的问题,该文提出了基于深度置信网络去噪的语音增强方法与传统的端点检测方法相结合的方法。该方法首先由大量的语音数据训练深度置信网络模型,使其能够很好地映射带噪与无噪语音之间的非线性关系,进而使其成为一个良好的降噪滤波器,再对比带噪与去噪后语音对端点检测准确率的影响,以及不同信噪比的端点检测的正确率。从该实验结果可以得到,该方法在平稳噪声和非平稳噪声的低信噪比情况下都可以提高语音端点检测的准确率。     

卷积神经网络的发展与应用综述

在深度学习大热的现今,人们创造出了许多足以颠覆以前对于机器的认知的程序,如击败李世石的Alpha GO以及之后青出于蓝的Alpha Go Zero,在网络春晚上大放异彩的钢琴机器人特奥等。这些都是以前的浅层网络难以达到的水准,因此越来越多的研究者投入到深层神经网络之中,使得其逐渐成为了目前深度学习的主要形式,本文所介绍的卷积神经网络便是其中的一种代表性的结构。文章主要先讲述了卷积神经网络的发展;之后了解其结构以及各个部分分别在其中起到了怎样的作用;再次,介绍卷积神经网络的改进方法和目前的几个改进网络;最后,文章会介绍一下卷积神经网络具体应用的领域并且在结尾提出目前这一领域所需要面对的需要解决的问题。