基于轻量型卷积神经网络的图像识别

针对卷积神经网络参数数量多并且分类精度不高的问题,提出了基于轻量型的卷积神经网络模型.该模型是把上层输出先通过数量较少的卷积核,再通过并行操作得到与原模型相同维度的输出.并行处理时,通过不同的卷积核大小增加特征的多样性,最后采用级联或融合的方式把并行输出整合在一起.和同规模的模型相比,该模型在减少参数的同时增加了网络的深度.在实验阶段用该网络在caltech256和I01 food数据集上进行测试,实验结果表明该模型性能更优.     

基于双网络级联卷积神经网络的设计

传统的卷积神经网络通常采用单一的网络结构进行特征提取,但是单一网络结构提取的特征不够充分,导致图片分类的精度不高。针对这个问题提出了采用两种网络同时进行特征提取,再将两种网络级联在一起,得到两种网络的融合特征,使提取的特征更具有辨别性。双网络级联是采用两条支路进行特征提取,一条支路为传统的CNN,另一条支路为在传统的CNN基础上加上残差操作,在下一次特征图降维前通过级联操作将两条不同的网络支路结合在一起。本网络实验采用101_food和caltech256数据集进行测试,将级联后的网络和两条支路网络进行对比,实验最后表现出较好的结果。     

跨越微观-宏观组装的桥梁:浓乳液聚合技术的应用

利用浓乳液（也称高内相比乳液）聚合技术可以获得表面结构化通孔材料（polyHIPE）,其独特之处是藉此可以实现纳米级两亲体在宏观尺度上的表面有序组装,且可规模化生产。早期的polyHIPE以小分子表面活性剂稳定,仅提供了一个多孔骨架,因为该表面活性剂易流失不能发挥表面功能基作用,而对惰性多孔骨架的后功能化往往较为繁琐。近年来,这方面的突破包括：（1）新型的Pickering稳定剂能同时发挥功能基作用;（2）以难迁移的两亲性嵌段共聚物代替易流失的小分子表面活性剂直接获得改性表面;（3）以带有大量活泼官能团的树状两亲体作稳定剂,直接获得表面由活泼基团表达的polyHIPE;（4）以金属纳米粒子-树状两亲体复合粒子作为稳定剂,直接获得表面由金属纳米颗粒表达的多孔材料。这些材料具有的尺寸大、易回收、比表面较高、具有结构化表面和能反复使用的特点,使其在超分子水处理、低泄漏金属催化剂方面有可观应用前景。