基于改进卷积神经网络的快速车辆检测

为了更加快速精准地识别和定位车辆,提出了一种基于卷积神经网络的改进算法。在建议网络(PN)以及特征提取上进行了优化,在提取基本特征之后嵌入一个轻量级的建议网络,产生候选区域,并在早期丢弃不可能的区域候选框减少背景数量;采用特征融合技术提取H-yper特征,细化了车辆的识别和定位,并对不同层提取的特征进行串联,有效地提高了车辆检测的质量和精度。在车辆检测和跟踪的大规模数据集和自己采集的车辆数据集上进一步验证,并与目前一些先进的算法进行比较,其中相比于Faster RCNN平均检测质量提高了9. 91%,充分表明了提出的算法的有效性。

A case study on behaviors of composite soil nailed wall with bored piles in a deep excavation

深挖掘的一个完全的盒子被探索。根据实际工作条件， 3D 非线性的有限元素过程被用来模仿合成土壤支持的深挖掘有在软土壤的无聊的堆积的钉的墙。修改凸轮泥土模特儿在数字模拟作为土壤的组成的关系被雇用。从数字分析的结果与领域数据被适合很好，它显示使用的研究途径是可靠的。基于数据和钉的合成土壤的四个不同模式支持的深挖掘的数字结果围的地，重要角落效果深在 3D 被成立挖掘。如果无聊的堆积或土壤锚在钉的合成土壤被认为墙，他们对减少的变丑和在深挖掘附近的无聊的堆积，混合堆积的水泥，土壤锚，土壤钉和土壤的内部力量有益。而且，效果由于无聊的堆积比从土壤锚推出的那些更重要。上面提及的所有证明合成土壤与无聊的堆积钉了墙在深挖掘是可行的。