纳米尺度连接技术的研究现状与展望

纳米材料以其特有的结构和性质而得到了广泛应用,纳米尺度的连接技术也随之逐渐发展起来,在电子、宇航、生物医疗等领域具有广阔的应用前景.介绍了纳米材料的微观效应,并综述了纳米尺度连接技术的研究进展,其中主要介绍了纳米固相连接、纳米钎焊和纳米熔化焊的研究现状,分析了在纳米尺度进行材料连接时,一些现象和物理过程与宏观连接时的区别,同时指出了分子动力学方法在纳米连接领域的作用,最后对纳米尺度连接技术的应用前景进行了展望.

基于多尺度连接模型的脑MRI模糊分类

针对传统分割方法在分割数量上的限制,以及模糊聚类方法在层次优化上的不足,提出一种有效的基于多尺度连接模型的人脑磁共振图像模糊分类算法。对脑磁共振图像进行灰度不均匀性校正后,该方法通过非线性扩散连接模型引入尺度间的模糊约束,定义2个模糊距离,并应用到模糊聚类算法中,组合尺度间和尺度内的模糊约束,给出一个多分辨模糊聚类框架。实验结果表明了该算法的准确性和有效性。

基于全尺度跳跃连接的TransUNet医学图像分割网络

医学图像分割是医学图像智能分析的关键技术之一,其中深度学习更是为医学图像分割作出了不少的贡献。为进一步提高U型网络对医学图像分割的精确度,提出基于全尺度跳跃连接和权重深度监督的改进Transformer医学图像分割网络(full-scale jump connectivity and weight depth supervision for improved Transformer medical image segmentation networks, FS-TransUNet3+),该模型通过全尺度跳跃连接的结构,使模型聚合了多层抽象语义特征和空间信息,并且降低了模型的网络参数,提高计算效率。同时采用权重深度监督(weight depth supervision, WDS)的方式,提高了特征学习的表征能力和图像识别精度,细化了目标区域的边界,以及改进了特征聚合机制,将混合编码器与解码器的语义信息进行拼接,强化模型在图像的边缘注意力。在多个医学图像复杂场景分割,如细菌图像数据集、肝脏肿瘤分割挑战数据集、多模态脑肿瘤分割挑战数据集上的参数量、FLOPS、样本相似性指标(DSC)、交并比(IoU)、像素精度(PA)、95HD指标有所改进,有效验证了各个部分的性能,综合分割效果优于其他网络。

改进的多尺度顺序边缘连接检测法及在医学图像中的应用

边缘提取是图像处理与分析中的基本问题 ,由 Purdue大学的 Edward JDelp等人提出的多尺度顺序边缘连接检测法 (Multiresolution Sequential Edge L inking,MSEL )在保持边缘的连接性、较小的错误率等许多方面优于其它的边缘提取方法 .但是 ,它在初值选取上不尽合理 ,该文有效地解决了这一问题 ,并给出了在医学图像应用中的实验结果 .

颗粒材料多尺度分析的连接尺度方法

提出了耦合细尺度上基于离散颗粒集合体模型的离散单元法(DEM)和粗尺度上基于Cosserat连续体模型的有限元法(FEM)的连接尺度方法(BSM)以研究颗粒材料的力学行为.采用Cosserat连续体模型和FEM模拟的粗尺度域覆盖全域,而采用离散颗粒集合体模型的DEM模拟的细尺度域仅限于需特别关注材料微结构演变和非连续变形行为的局部区域.对这两个区域间的界面提出了适当的界面条件及其实施方案.通过采用适当的连接尺度投影算子,空间离散的粗、细尺度耦合系统多尺度运动方程具有解耦的特点,并且允许分别求解,因而也允许分别采用不同时间步长对粗、细尺度进行计算,可极大地提高BSM的计算效率.二维地基数值算例结果说明了所陈述方法的可应用性,以及相对基于Cosserat连续体模型的FEM和基于离散颗粒集合体模型的DEM的优越性.

离散颗粒集合体-Cosserat连续体模型的连接尺度方法

基于针对分子动力学-Cauchy连续体模型提出的连接尺度方法(BSM)[1,2],发展了耦合细尺度上基于离散颗粒集合体模型的离散单元法(DEM)和粗尺度上基于Cosserat连续体模型的有限元法(FEM)的BSM。仅在有限局部区域内采用DEM以从细观层次模拟非连续破坏现象,而在全域则采用花费计算时间和存储空间较少的FEM。通过连接尺度位移(包括平移和转动)分解,和基于作用于Cosserat连续体有限元节点和颗粒集合体颗粒形心的离散系统虚功原理,得到了具有解耦特征的粗细尺度耦合系统运动方程。讨论和提出了在准静态载荷条件下粗细尺度域的界面条件,以及动态载荷条件下可以有效消除粗细尺度域界面上虚假反射波的非反射界面条件(NRBC)。本文二维数值算例结果说明了所提出的颗粒材料BSM的可应用性和优越性,及所实施界面条件对模拟颗粒材料动力学响应的有效性。

基于多尺度密集连接网络的矿物图像智能识别

针对判定矿物种属的传统网络由于计算复杂度高及网络参数量大而导致其应用部署所需环境资源要求高的问题,提出了一种基于多尺度密集连接的网络模型(Multi-Scale Densely connected convolutional Network,MS-DenseNet)用于矿物的智能识别.首先,为了使网络具有多尺度特征学习能力,在密集连接网络中引入多尺度卷积结构;其次,采用分组卷积策略优化网络结构;最后,在网络尾部采用跳跃连接结构以减少特征信息损失.在自建矿物数据集上的实验结果显示,网络模型的验证集和测试集准确率分别达到90.54%和88.06%,表明该网络模型具有良好的识别能力.

利用连接尺度方法的颗粒材料破碎数值分析

基于已有的颗粒材料连接尺度方法(BSM)[1-2],发展了在细尺度上采用离散颗粒集合体模型与离散单元法(DEM)并引入了颗粒破碎模型,而在粗尺度上采用Cosserat连续体模型与有限单元法(FEM)的BSM。仅在有限局部区域内采用DEM从细观层次关注颗粒材料破碎现象,而在全域采用储存空间和花费时间较少的FEM,同时在粗细两个尺度采用不同的时间步长。讨论了颗粒材料发生破碎时,颗粒材料结构的承载能力与微结构的演变。数值算例结果说明了所提出可模拟破碎的BSM的可用性和优越性,以及颗粒破碎对颗粒材料微观力学行为的影响。

基于多尺度特征融合的遥感影像语义分割

针对传统的遥感影像语义分割方法存在分类能力差和分割效果不精细的问题,设计并实现一种基于U-Net的多尺度特征融合网络。网络通过多尺度跳跃连接组合不同层级的语义特征;结合通道注意力机制增强跳跃连接中关键特征的表达能力;利用空洞空间金字塔池化结构融合深层特征,进一步加强网络在复杂背景中的分类性能。在公开数据集Vaihingen上进行的实验表明,多尺度特征融合网络相比通用分割网络具有更高的表现性能和更好的实用价值。

全尺度特征聚合的高分辨率遥感影像变化检测网络

利用遥感影像检测地表变化对了解地表动态至关重要。近年来,基于深度学习的变化检测方法因其优异的特征提取和表达能力而成为研究的热点。在全卷积网络结构方法中,融合多尺度特征信息是提高变化检测性能的关键,以往方法大多采用跳跃连接或密集连接结构,一定程度上提高了变化检测方法的精度。然而,此类方法只对相同尺度上的特征进行融合,无法从多尺度上融合足够的信息而导致达不到令人满意结果。本文提出了一种全尺度特征聚合网络(FSANet),用于解决遥感影像变化检测问题。首先,使用孪生网络提取双时相影像的特征;然后,利用全尺度特征连接结构将提取的特征有效地连接起来,为了防止特征冗余,使用特征细化模块将特征细化;最后,为了优化模型训练,采用多尺度监督策略,在解码器中额外输出多个检测结果,共同计算最终的损失值。为了验证方法的可行性,本文使用LEVIR-CD数据集和SVCD数据集来评估模型。试验结果表明,本文方法优于其他主流的变化检测方法,同时在精度和复杂度之间有着较好的平衡。

基于多尺度密集连接网络的图像超分辨算法

图像超分辨率旨在通过软件技术从低分辨率图像中获得高分辨率图像。受深层神经网络对非线性关系强大表示启发,提出一种基于多尺度密集连接网络的图像超分辨算法。利用多尺度和密集连接思想设计了两个并行子网络提取图像特征,一个子网络中引入多尺度卷积层以提取低分辨图像的多种特征,另一个子网络则利用密集连接模块加深网络结构尽可能提取丰富的纹理特征,同时还可以避免模型训练过程中梯度消失的问题。最后对两个子网络提取的特征求残差并对其行重构得到高分辨率图像。仿真结果表明,提出的算法无论在客观评价还是视觉效果上均优于其它同类超分辨算法。

MSE-UNet:基于多尺度特征和注意力机制的细胞分割模型

细胞图像的自动分割是目前非常困难且具有挑战性的问题.在U-Net网络的基础上,增加了多尺度跳跃连接,引入了通道注意力模块,提出一种改进的网络模型MSE-UNet(multiscale skip connection-squeeze and excitation-UNet).多尺度跳跃连接将不同层次的信息巧妙地结合在一起且避免了冗余,能更加精确地分割出目标,有效地解决了细胞边界不明确的问题.通道注意力模块学习各个通道的重要性,从而使重要的特征通道占据更大的比重,在最终呈现的输出图像中展现出分割网络重点关注的部分,有效解决背景杂乱的问题.在两个公开数据集和一个自建数据集上进行测试,实验结果显示,与最近几年提出的细胞分割模型相比,该模型具有更好的性能.

大型土木结构多尺度模拟与损伤分析——从材料多尺度力学到结构多尺度力学

从阐述重大土木工程结构安全运营面临的挑战性课题——结构多尺度力学问题开始,对多尺度力学中的材料多尺度模拟和结构多尺度模拟的工程背景、多尺度特征和关键研究内容进行比较性评述;在此基础上,重点介绍了对研究大型土木结构多尺度力学问题可能有参考价值的材料多尺度模拟和分析方法如周期性异质材料问题的平均化与渐进分析方法、单位分解法和多尺度重构核函数法,以及大型土木结构多尺度模拟与分析领域的研究现状,由此引出结构多尺度力学研究中亟待解决的关键问题并加以评述;通过认识与比较结构多尺度与材料多尺度问题的共性与个性,文中综述了在大型土木结构多尺度问题的研究进程中可供参考的理论与方法,提出了这类结构多尺度力学问题研究的几个关键科学问题为:结构多尺度模拟中的连接与跨越问题、多尺度模型的修正和验证、结构损伤的时间多尺度模拟与分析、结构强度和损伤失效过程中多尺度分析的跨尺度敏感性与随机性因素,以及适用于大型土木结构多尺度模拟和计算分析的实施策略与技术.

基于UNet3+生成对抗网络的视频异常检测

为解决传统视频异常检测方法在不同场景下多尺度特征提取不完全的问题,提出两种方法:一种是用于简单场景的基于UNet3+的生成对抗网络方法(简称U3P^(2)),另一种是用于复杂场景的基于UNet++的生成对抗网络方法(简称UP^(3))。两种方法分别对连续输入的视频帧生成预测,引入多种损失函数和光流模型学习其外观与运动信息,通过计算AUC进行性能评估。U3P^(2)方法以6.3 M参数量在Ped2数据集的AUC提升约0.6%,而UP^(3)方法在Avenue数据集的AUC提升约0.8%,验证其能够有效应对不同场景下的异常检测任务。

基于三维卷积神经网络的遥感影像变化检测

随着卫星传感器技术和深度学习技术的蓬勃发展,基于深度学习的变化检测研究已成为遥感变化检测领域中的主流方法。针对现有深度学习方法特征提取和融合不充分的问题,提出了一种基于三维卷积神经网络的遥感影像变化检测方法。在特征编码阶段,首先利用三维卷积的内部融合特性同时提取和融合双时相影像特征。在特征解码阶段,为有效利用影像特征的全尺度信息,采用全尺度跳跃连接机制将不同尺度的特征信息在时间维度进行结合,最终产生具有高精度的变化结果。实验结果表明,该方法在两个基准数据集上的精度均显著优于其他先进的深度学习变化检测方法。

LM-UNet:横向MLP用于增强U-Net的医学图像分割

卷积神经网络(CNN)作为医学图像分割领域中U-Net基线网络的重要组成部分,其主要作用是处理局部特征信息之间的关系.而Transformer是一种能够有效强化特征信息之间的远距离依赖关系的视觉模型.目前的研究表明,结合Transformer和CNN可以在一定程度上提高医学图像分割的准确性.但是,由于医学图像的标注数据较少,而且训练Transformer模型需要大量数据,这使得Transformer模型面临耗时长和参数量大的挑战.基于这些考虑,本文在UNeXt模型的基础上,结合多尺度混合MLP和CNN,提出了一种新型的基于混合MLP的医学图像分割模型——LM-UNet.这种模型能够有效地增强局部与全局信息之间的联系,并加强特征信息间的融合.在多个数据集上的实验表明,LM-UNet模型在皮肤数据集上的分割性能明显提升,平均Dice系数达到92.58%,平均IoU系数达到86.52%,分别比UNeXt模型提高了3%和3.5%.在软骨和乳腺数据集上的分割效果也有显著提升,平均Dice系数分别比UNeXt提高了2.5%和1.0%.因此,LM-UNet模型不仅提高了医学图像分割的准确性,还增强了其泛化能力.

基于深度学习的国土资源遥感影像分类模型

针对国土资源遥感影像分类中,遥感影像分类鲁棒性以及精确性不高的问题,提出结合深度学习的国土资源遥感影像分类模型。通过改进的UNet3+深度学习网络进行国土资源遥感影像分类检测,该改进UNet3+深度学习网络在保留UNet3+深度学习网络全尺度跳跃连接以及深度监督机制的前提下,引入注意力机制对深度学习网络的参数以及特征提取做出进一步优化,避免过拟合以及运算量较大的问题。通过实验验证,基于深度学习的国土资源遥感影像分类模型在不同尺度的遥感影像观测上均表现出优异的检测精度及分类性能。其中,当观测尺度为500 m时,边界分割误差可以控制在-2~1 m范围内。相比其他深度学习网络,改进模型在分类检测精度上更具优势。

基于多尺度残差卷积自编码器的图像聚类方法

对于图像的聚类,现有方法在特征提取方面或难以选择合适的维度转换方法,或提取的特征对图像特征的表达较弱且不够丰富,对图像的聚类效果产生了较大影响,导致了聚类精度较低。为此,提出一种基于多尺度残差卷积自编码器的图像聚类方法,通过构建具有若干个含有残差连接的多尺度卷积模块,获得中间层的高维特征表达,并以此进行图像聚类。实验结果表明,在MNIST数据集上的聚类准确率为82.2%,ARI(Adjusted Rand Index)值为0.7810,NMI(Normalized Mutual Information)值为0.8532,模型达到了较好的聚类效果。

基于特征优化和GAN的红外与可见光图像融合算法

针对红外与可见光融合图像存在纹理细节不丰富、对比度较低及目标信息损失等问题,提出了一种基于特征优化和生成对抗网络的图像融合算法。首先,设计一种自适应特征优化模块以增强原始图像纹理细节及对比度;然后,为使融合图像保留更多的多模态信息,将生成对抗网络引入到融合框架中。在生成器模型中,考虑到红外与可见光图像成像机理差异,构建了双支路特征提取网络,并设计多尺度密集连接模块以提取异源图像丰富的特征信息;其次,在融合层构造通道和空间注意力模型以增强局部特征之间联系,减小融合图像中目标信息损失;最后,为使融合结果尽可能保留可见光纹理细节的同时又能够较好突出红外目标,构造了双判别器网络结构。为验证所提算法优势,在TNO数据集上进行实验,并与6种经典融合算法进行主观和客观比较。实验结果表明,所提算法无论在主观还是客观评价上均具有明显优势,生成的融合图像纹理细节更为丰富、边缘及目标更加清晰且具有更好的对比度,客观评价指标信息熵、空间频率、相关熵、视觉保真度和梯度信息分别提高了16.11%、65.46%、7.96%、42.67%和33.24%。

基于多尺度残差连接的水下图像自适应增强

为解决水下图像常见的颜色失真、对比度降低以及有监督方法在缺乏大规模成对的高质量水下图像数据集支持时效果一般等问题,提出了一种无监督水下图像增强方法,该方法利用条件变分自动编码器(cVAE)结合概率自适应实例归一化(PAdaIN)以及多色空间拉伸技术,旨在提高生成图像的视觉质量,确保生成图像与原始输入图像在视觉上具有一致性。此外,多尺度残差连接模块有效减少了非关键信息的传递,进一步提升了模型的性能。该方法提供了一个以依赖参考图像作为训练数据的替代方案。结果显示,该方法在测试集上的峰值信噪比(PSNR)和结构相似性指数(SSIM)分别比FunieGAN和Water-Net提升12%和3%,显著改善了增强后图像的视觉效果,同时,该方法在不同测试集上的优异表现也验证了其良好的泛化能力。研究表明,该方法在无需参考图像的情况下,显著改善了水下图像的质量,有效提升了图像的细节和色彩校正,为水产养殖和海洋监测提供了一个有效的解决方案。