基于可解释机器学习的神经网络软剪枝策略

软剪枝是重要的神经网络剪枝策略,但该策略通常只考虑滤波器参数大小或参数矩阵在空间的分布,忽略了参数编码的语义信息,忽略了滤波器参数与数据的紧密联系。为此,提出一种基于可解释机器学习的神经网络软剪枝策略,该策略通过结合可解释机器学习方法,分析滤波器对数据内容理解的重要程度,以该重要程度为指标进行滤波器的排序和剪枝。实验结果表明,该策略在VGG、ResNet模型、CIFAR10通用数据集上均取得了较好的剪枝效果,并具有可解释性,可充分挖掘滤波器参数与图像信息之间的相关性分布。

基于HU-ResNet的混凝土表观裂缝信息提取

针对混凝土结构表观裂缝检测准确率低、细节信息丢失及精度不高等问题,提出一种利用HU-ResNet卷积神经网络的混凝土表观裂缝检测方法。基于改进U-Net网络建立HU-ResNet模型,采用经ImageNet预训练的ResNet34残差网络作为编码器,以保留裂缝细节信息并加速网络收敛,引入scSE注意力机制模块在空间和通道重新标定编码块与解码块的输出特征,并利用超柱模块融合解码器各阶段所输出特征图获取更精确的裂缝图像语义信息和定位,同时采用组合损失函数进一步提高裂缝图像精度。实验结果表明,该模型的像素准确率、交并比和F1值分别达到0.9904、0.6933和0.8166,优于Canny、区域生长等传统数字图像模型和FCN8s、U-Net、U-ResNet等深度学习模型且裂缝检测更精准。

基于改进Cascade R-CNN的交通标志牌识别

针对雨、雪、雾天等恶劣环境下,交通标志容易被遮挡,且目标较小,难以被高精度识别以及定位的问题,提出先粗检测再精确检测的策略,并采用改进的级联(Cascade)R-CNN:优化锚设计、在线难例挖掘和多尺度训练,同时用图像去雾和增亮算法进行数据增强,最后选用2个不同的骨干网络的模型进行融合。结果表明:在基于虚拟仿真环境下的自动驾驶交通标志识别大赛提供的数据集上,提出的算法表现出优异的泛化能力和准确率,并在指标F1分数达到了0.9972,有效地克服虚拟场景中不同的天气状况和行人状况等干扰因素,实现了道路周边交通标志牌的精确识别。

大直径钢顶管管道温度应力特性分析

为了研究钢顶管在运营状态温度作用下的内力特征,采用数值模拟的方法,依托黄浦江上游水源地连通工程,对深覆软土、长距离顶进、内径4 m钢顶管在运营状态温差作用下进行数值模拟。数值模拟结果表明,当管端约束作用较强时,管端环向应力会出现应力集中的现象;随着远离管端约束边界,环向应力集中快速衰减。纵向应力拉压应力共存,随着远离管端约束边界纵向应力变大,并且变为单一拉应力或者压应力。管道靠近约束端的环向应力和纵向应力随着温度的变化均有明显变化,远离约束端的纵向应力受温度变化影响同样明显,但是环向应力基本没有变化。刚性约束得到释放以后,整个管道的应力下降明显。