基于深度学习的图像拼接篡改检测

传统图像拼接检测算法通过研究人员手动构造拼接特征,随着科技的进步以及图像处理技术的不断发展,手动构造特征的局限性逐渐体现出来,鲁棒性较弱,位置不易确定等。为了解决这些问题,构建了一种卷积神经网络（CNN）,将卷积核前置并固定,自主学习相关特征从而检测拼接篡改的图像区域。经过一系列研究,发现拼接篡改图像的拼接篡改区域特征可以被CNN模型学习。在CNN模型之前,卷积核使用高通滤波器,激活函数采用指数线性单元（ELU）,使得CNN模型具有识别拼接篡改图像边缘痕迹等特征的能力。检测结果表明:在IEEE IFS-TC图像拼接取证竞赛训练集上对拼接篡改图像拼接篡改区域定位的准确率为84.3%,对拼接篡改区域判定的真负类率为96.18%。      

结合多层特征及空间信息蒸馏的医学影像分割

U-Net在医学影像分割领域是目前应用最广泛的分割模型,其“编码-解码”结构也成为了构建医学影像分割模型最常用的结构。尽管U-Net在许多领域实现了非常高的分割准确度,但是存在着计算复杂度高、推理速度慢、运行消耗内存大等问题,导致其难以在移动应用平台部署。为解决这一问题,提出了一种结合多层特征及空间信息蒸馏的医学影像分割方法TinyUnet。该方法使用轻量化的U-Net作为学生网络。考虑到小模型没有足够的学习能力,通过选择合适的蒸馏位置,对多层教师特征图进行蒸馏; 同时加强教师网络深层特征图的边缘,并构建边缘关键点图结构,采用图卷积网络对学生网络进行空间信息蒸馏,从而补充重要的边缘信息和空间信息。实验表明:在3个医学影像数据集上,TinyUnet能够达到U-Net 98.3%~99.7%的分割准确度,但是将U-Net的参数量平均降低了99.6%,运算速度提高了约110倍; 同时,与其他轻量化医学影像分割模型相比,TinyUnet不仅具有较高的分割准确度,而且占用内存更少,运行速度更快。      

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

加力用扇形喷嘴雾化特性试验

根据加力燃烧室内锥凹腔点火与联焰要求,设计了扇形喷嘴并开展相应的雾化试验,研究了供油压差、扇形角度及扇形出口高度等参数对流量特性和雾化特性的影响以及加力环境下横向气流的温度、速度和供油压差对索太尔平均直径(SMD)及穿透深度的影响。采用称质量法测量流量系数,利用马尔文粒度仪和高速摄影仪对下游SMD、雾化角度及穿透深度进行测量。结果表明:①供油压差增大,流量系数先减少,后稳定;②供油压差一定,扇形出口角度越大,流量系数和雾化角度也越大;③扇形出口高度增加,雾化效果变好;④出口位置对雾化特性影响不大;⑤供油压差越大,穿透深度越大,SMD减小;⑥横向气流速度越大、温度越高,穿透深度越浅,油雾场越靠近下游;⑦横向气流温度越高, SMD越小。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题,提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法.首先利用源域卫星的遥测数据对1dCNN进行预训练,使得模型的卷积层具有卫星状态特征的提取能力;然后将训练好的模型迁移到缺乏标签数据的目标域卫星中;利用目标域有标签样本对预训练模型进行微调,...     

基于深度学习的航天器位姿估计研究进展

从在轨应用角度出发,对近年来基于深度学习的航天器位姿估计相关研究成果进行了综述。首先,对基于传统特征提取方法的航天器位姿估计研究进展与局限性进行了归纳梳理。在此基础上,引出基于深度学习的航天器位姿估计的重要意义,并聚焦公开比赛、数据集、姿态估计方法、开源模型等方面阐述基于深度学习方法在当前和未来的关键问题与解决途径。最后,从数据集逼真度、模型可部署、多任务域适应3个维度给出了相应关键技术后续发展的方向与思路。     

二值卷积神经网络综述

二值卷积神经网络（BNN）占用存储空间小、计算效率高,然而由于网络前向的二值量化与反向梯度的不匹配问题,使其与同结构的全精度深度卷积神经网络（CNN）之间存在较大的性能差距,影响了其在资源受限平台上的部署。至今,研究者已提出了一系列网络设计与训练方法来降低卷积神经网络在二值化过程中的性能损失,以推动二值卷积神经网络在嵌入式便携设备发展中的应用。因此,本文对二值卷积神经网络进行综述,主要从提高网络表达能力与充分挖掘网络训练潜力两大方面,给出了当前二值卷积神经网络的发展脉络与研究现状。具体而言,提高网络表达能力分为二值化量化方法设计、结构设计两方面,充分挖掘网络训练潜力分为损失函数设计与训练策略两方面。最后,对二值卷积神经网络在不同任务与硬件平台的实验情况进行了总结和技术分析,并展望了未来研究中可能面临的挑战。     

基于SPOC的深度学习模式策略研究

当下在线课程的发展已越来越重视实际教学中的使用及效果,SPOC缓解了MOOC课程参与度与完成度较低的学习者学习动机问题。深度学习能力是进一步提升SPOC在线课程的有效教学程度及学生能力培养的核心目标。要建构基于SPOC的深度学习模式,就要注重深度学习课程资源动态生成、突出基于建构迁移的深度学习教学设计、加强深度学习虚拟社区协同构建、深化深度学习评价行为分析。     

甲烷-乙烷混合推进剂深度过冷技术的实验研究

针对甲烷采用液氮过冷可能发生甲烷冰堵风险,提出了在甲烷中添加乙烷,制备凝固温度更低的甲烷-乙烷混合推进剂的新方案,搭建实验系统测试了甲烷-乙烷凝固温度变化规律。研究发现,随着甲烷含量提高,混合推进剂凝固温度先降低后升高。当甲烷、乙烷比例为0.71∶0.29时,混合推进剂达到最低凝固温度,约73.0 K。当采用常压饱和液氮对混合推进剂过冷时,控制甲烷含量在0.52~0.81间可避免推进剂冻结。相较于常压饱和甲烷,防冻结区的混合推进剂密度提高了24.0%~38.4%,液相存在温区增大至35.7 K~40.5 K。此外,甲烷-乙烷混合推进剂具有理论比冲高、再生冷却性能佳、结焦与积碳小等优势。所提出的甲烷-乙烷混合推进剂在火星探测等任务中具有可观的应用前景。     

以卓越服务成就客户价值 以集成创新促进两化融合——访金航数码科技有限责任公司总经理赵洪岭先生

从党的十七大提出的大力推进信息化和工业化融合,走新型工业化道路到十七届五中全会提出的两化深度融合,信息化在我国工业转型升级过程中将发挥着越来越重要的作用。作为中国航空工业集团公司信息化的专业支撑团队,随着中航工业改革而重组整合的新金航数码,在中航工业两化深度融合的进程中发挥了怎样的作用?三年来,在航空行业的信息化应用上取得了哪些突破性进展?新的一年又有何举措?带着这些问题,本刊记者特别采访了金航数码科技有限责任公司总经理赵洪岭先生。