采用空洞卷积的多尺度融合草图识别模型

针对现有的基于深度学习的草图识别方法大多将普通卷积作为草图特征提取的主要手段。而忽略了草图对象的稀疏性特点,提出了一种通过空洞卷积实现草图特征提取的草图识别模型。该模型将空洞卷积和普通卷积融合,利用空洞卷积不增加卷积核有效单元数量即可扩大感受野的特性,实现对草图结构特征的初步提取。考虑到空洞卷积的稀疏采样方式使得远距离卷积得到的信息之间没有相关性,对分类结果会产生影响,于是在使用空洞卷积对图像特征进行稀疏提取的同时,使用具有相同大小感受野的普通卷积对输入图像特征进行密集提取,最后将两种不同卷积方式输出的特征在通道维度上进行拼接。这种方法不仅发挥了空洞卷积的稀疏采样特性,也充分利用到不同卷积方式带来的多尺度信息优势。实验结果表明,该模型在TU-Berlin SKetch数据集取得了72.6%的识别准确率,相较于目前主流的草图识别方法,效果更加明显。

注意力机制与卷积神经网络融合的军队标号识别方法

手绘军队标号识别是基于草图的战场态势表达的重要组成部分。针对现有的草图特征手工提取方法费时费力,以及依靠数据驱动的深度学习方法泛化能力受到训练数据多样化制约的问题,提出一种注意力机制与卷积神经网络融合的军队标号识别方法。首先构建了特征提取模型Sketch-Net,实现手绘军队标号特征的初步提取;然后引入注意力机制模块,分别捕获特征在通道和空间位置中的依赖关系,增强模型提取特征信息的有效性。结果表明,提出的方法在建立的军队标号数据集上的识别正确率达到95.75%,能有效应用于手绘军队标号的识别。

R245fa在低肋管管外沸腾换热的试验研究

针对R245fa工质在大型蒸发器中低肋管的管外沸腾换热性能开展了试验研究。根据蒸发压力分别在0.88、0.78和0.68 MPa时的试验结果,通过威尔逊图解法得到相应的传热关联式,并将结果与文献进行比较。试验结果表明,在热流密度约23 000~32 000 W/m^(2)时,R245fa管外沸腾传热系数可以达到11 000~18 000 W/(m^(2)·K)。在实验条件范围内,管外传热系数随蒸发压力的升高而增大,随热流密度的增大而增大,相对于文献中光管的传热系数预测值的强化倍率约为2.800倍。此外,还给出了低肋管管外沸腾换热的传热关联式,以及Cooper关联式和Gorenflo关联式用于低肋管时所需增加的修正系数。