Email alert
RSS優先發表
優先發表欄目展示本刊經同行評議確定正式錄用的文章，這些文章目前處在編校過程，尚未確定卷期及頁碼，但可以根據DOI進行引用。
顯示方式:
, 最新更新時間 , doi: 10.13374/j.issn2095-9389.2022.12.17.004
[摘要]
[HTML全文]
[PDF 1139KB]
摘要:
隨著獲取點云數據成本下降以及GPU算力的提高，眾多三維視覺場景如自動駕駛、工業控制、MR/XR對三維語義分割的需求日益旺盛，這進一步推動了深度學習模型在三維點云語義分割任務中的發展。近期，深度學習模型在網絡架構上持續創新，如RandLA-Net 和Point Transformer，并突破性地以更低的計算成本提高了分割準確率，但已有的三維點云語義分割綜述介紹的研究工作包含大量早期以及被舍棄的方法，沒有系統地整理這些新型高效的方法，不能很好地體現研究現狀。此外，這部分綜述以輸入網絡的不同數據類型分類各點云語義分割方法，不能有效地體現各方法的演進關系，也不利于對比不同方法的分割性能。針對以上問題，本文面向近3年的研究成果和最新的研究進展，重點歸納了三維點云語義分割中基于不同網絡架構的方法、面臨的挑戰及潛在研究方向，并從3個層面對三維點云語義分割進行了系統地綜述。通過本文，讀者可以較系統地了解三維點云語義分割的數據獲取方式、常見數據集及模型的評價指標，對比基于不同網絡架構的三維點云語義分割方法的發展過程、分割性能和優缺點，并進一步認識三維點云語義分割現存的挑戰和潛在的研究方向。
隨著獲取點云數據成本下降以及GPU算力的提高，眾多三維視覺場景如自動駕駛、工業控制、MR/XR對三維語義分割的需求日益旺盛，這進一步推動了深度學習模型在三維點云語義分割任務中的發展。近期，深度學習模型在網絡架構上持續創新，如RandLA-Net 和Point Transformer，并突破性地以更低的計算成本提高了分割準確率，但已有的三維點云語義分割綜述介紹的研究工作包含大量早期以及被舍棄的方法，沒有系統地整理這些新型高效的方法，不能很好地體現研究現狀。此外，這部分綜述以輸入網絡的不同數據類型分類各點云語義分割方法，不能有效地體現各方法的演進關系，也不利于對比不同方法的分割性能。針對以上問題，本文面向近3年的研究成果和最新的研究進展，重點歸納了三維點云語義分割中基于不同網絡架構的方法、面臨的挑戰及潛在研究方向，并從3個層面對三維點云語義分割進行了系統地綜述。通過本文，讀者可以較系統地了解三維點云語義分割的數據獲取方式、常見數據集及模型的評價指標，對比基于不同網絡架構的三維點云語義分割方法的發展過程、分割性能和優缺點，并進一步認識三維點云語義分割現存的挑戰和潛在的研究方向。
, 最新更新時間 , doi: 10.13374/j.issn2095-9389.2022.08.07.001
摘要:
鋼鐵企業煙氣脫硝廢催化劑（危廢）產生量逐年增加，加強對此類廢催化劑的有效處置與利用已成為行業急需解決的關鍵共性難題。本研究首次提出了將廢催化劑添加到球團原料中制備含鈦球團利用的新路徑。將含廢催化劑球團和市場普通含鈦球團的制備過程及冶金性能進行對比研究。結果表明：球團原料中添加質量分數5.0%的廢催化劑可以顯著提高生球綜合性能指標，且明顯優于以釩鈦磁鐵礦制備的普通含鈦球團。球團焙燒后，含廢催化劑球團平均抗壓強度為3083 N，高于普通含鈦球團的2630 N含廢催化劑球團固結機理表明，廢催化劑中TiO2與鐵氧化物反應形成Fe2TiO5相粘結，部分未反應TiO2會降低球團抗壓強度。兩種含鈦球團冶金性能與普通氧化球團基本相同，說明含廢催化劑球團可以用于高爐護爐冶煉使用。本研究有望為鋼鐵企業煙氣脫硝產生的廢催化劑在企業內部資源化利用提供新思路。
鋼鐵企業煙氣脫硝廢催化劑（危廢）產生量逐年增加，加強對此類廢催化劑的有效處置與利用已成為行業急需解決的關鍵共性難題。本研究首次提出了將廢催化劑添加到球團原料中制備含鈦球團利用的新路徑。將含廢催化劑球團和市場普通含鈦球團的制備過程及冶金性能進行對比研究。結果表明：球團原料中添加質量分數5.0%的廢催化劑可以顯著提高生球綜合性能指標，且明顯優于以釩鈦磁鐵礦制備的普通含鈦球團。球團焙燒后，含廢催化劑球團平均抗壓強度為3083 N，高于普通含鈦球團的2630 N含廢催化劑球團固結機理表明，廢催化劑中TiO2與鐵氧化物反應形成Fe2TiO5相粘結，部分未反應TiO2會降低球團抗壓強度。兩種含鈦球團冶金性能與普通氧化球團基本相同，說明含廢催化劑球團可以用于高爐護爐冶煉使用。本研究有望為鋼鐵企業煙氣脫硝產生的廢催化劑在企業內部資源化利用提供新思路。
, 最新更新時間 , doi: 10.13374/j.issn2095-9389.2022.08.16.004
摘要:
開展了一系列靜態三軸剪切試驗，研究了不同初始條件（圍壓、密實度）以及不同試驗條件（剪切速率、排水條件）對黃河泥沙靜力強度以及變形特性的影響，得到了黃河泥沙的應力應變曲線發展規律，以及應力路徑、抗剪強度包線、應力比曲線和不同特征狀態下的內摩擦角分布、初始剪切模量以及極限偏應力等指標。結果表明：黃河泥沙的抗剪強度對圍壓、密實度以及排水條件更為敏感，具體而言，峰值強度、臨界強度均隨著圍壓與密實度的提高而增大，不排水條件下的抗剪強度大于排水條件；不排水條件下孔壓的發展與排水條件下的剪脹特性具有對照關系，但孔壓較剪脹特性發展得更為迅速，并且得到黃河泥沙的特征狀態內摩擦角分布區間介于22.6°到38.1°之間。本研究可以為黃河泥沙在路基工程中的資源化利用提供數據和理論參考。
開展了一系列靜態三軸剪切試驗，研究了不同初始條件（圍壓、密實度）以及不同試驗條件（剪切速率、排水條件）對黃河泥沙靜力強度以及變形特性的影響，得到了黃河泥沙的應力應變曲線發展規律，以及應力路徑、抗剪強度包線、應力比曲線和不同特征狀態下的內摩擦角分布、初始剪切模量以及極限偏應力等指標。結果表明：黃河泥沙的抗剪強度對圍壓、密實度以及排水條件更為敏感，具體而言，峰值強度、臨界強度均隨著圍壓與密實度的提高而增大，不排水條件下的抗剪強度大于排水條件；不排水條件下孔壓的發展與排水條件下的剪脹特性具有對照關系，但孔壓較剪脹特性發展得更為迅速，并且得到黃河泥沙的特征狀態內摩擦角分布區間介于22.6°到38.1°之間。本研究可以為黃河泥沙在路基工程中的資源化利用提供數據和理論參考。
, 最新更新時間 , doi: 10.13374/j.issn2095-9389.2022.12.28.002
摘要:
極化SAR艦船檢測是極化SAR系統的重要應用之一，現有的極化SAR艦船檢測方法在具有強背景雜波的條件下容易將強雜波誤檢為目標，造成虛警；在多尺度艦船檢測情況下小尺寸的艦船容易淹沒在背景雜波中，造成小尺寸目標的漏檢。針對上述問題，本文提出一種基于超像素與稀疏重構顯著性的極化SAR艦船檢測方法。該方法首先用超像素分割方法將大幅的極化SAR場景圖像分割，在超像素級別上使用稀疏重構顯著性方法保留含有艦船目標的超像素，再在這些保留下來的超像素中逐像素使用稀疏重構顯著性檢測方法，得到最終的艦船檢測結果。本文選取強雜波場景和多尺度艦船檢測場景的兩個場景的ALOS-2衛星極化SAR數據進行對比實驗，實驗結果表明，本文方法在強雜波場景下品質因數達到94.87%，在多尺度艦船檢測場景下品質因數達到94.05%。
極化SAR艦船檢測是極化SAR系統的重要應用之一，現有的極化SAR艦船檢測方法在具有強背景雜波的條件下容易將強雜波誤檢為目標，造成虛警；在多尺度艦船檢測情況下小尺寸的艦船容易淹沒在背景雜波中，造成小尺寸目標的漏檢。針對上述問題，本文提出一種基于超像素與稀疏重構顯著性的極化SAR艦船檢測方法。該方法首先用超像素分割方法將大幅的極化SAR場景圖像分割，在超像素級別上使用稀疏重構顯著性方法保留含有艦船目標的超像素，再在這些保留下來的超像素中逐像素使用稀疏重構顯著性檢測方法，得到最終的艦船檢測結果。本文選取強雜波場景和多尺度艦船檢測場景的兩個場景的ALOS-2衛星極化SAR數據進行對比實驗，實驗結果表明，本文方法在強雜波場景下品質因數達到94.87%，在多尺度艦船檢測場景下品質因數達到94.05%。
, 最新更新時間 , doi: 10.13374/j.issn2095-9389.2022.07.24.005
摘要:
深度學習技術的長足發展與數據算力的快速提升，極大地增加了各種結構圖神經網絡優化和實現的可行性，使得圖結構數據的表示研究工作取得極大進展。已有的圖神經網絡方法主要關注圖節點之間全局信息的傳遞，理論上可證明其強大的信息表示能力。然而，面向局部拓撲具有特殊語義的圖結構數據表示時，這些通用方法缺乏靈活的局部結構表示機制，例如化學反應中組成分子的局部結構—官能團，其通常能夠決定化學分子性質并且參與化學反應過程。進一步挖掘這些局部結構的信息對基于圖表示的各類任務都是非常重要的，為此提出一個利用變分卷積推斷局部拓撲結構的圖表示方法，不僅考慮圖節點在全局結構上的關系推理與信息傳遞，還基于變分推斷自適應地學習圖數據的局部拓撲結構，利用卷積操作對局部結構進行編碼，從而進一步提高圖神經網絡的表達能力。本文工作在多個圖結構數據集上進行實驗，實驗結果表明利用局部結構信息可以有效提升圖神經網絡在基于圖的相關任務上的性能。
深度學習技術的長足發展與數據算力的快速提升，極大地增加了各種結構圖神經網絡優化和實現的可行性，使得圖結構數據的表示研究工作取得極大進展。已有的圖神經網絡方法主要關注圖節點之間全局信息的傳遞，理論上可證明其強大的信息表示能力。然而，面向局部拓撲具有特殊語義的圖結構數據表示時，這些通用方法缺乏靈活的局部結構表示機制，例如化學反應中組成分子的局部結構—官能團，其通常能夠決定化學分子性質并且參與化學反應過程。進一步挖掘這些局部結構的信息對基于圖表示的各類任務都是非常重要的，為此提出一個利用變分卷積推斷局部拓撲結構的圖表示方法，不僅考慮圖節點在全局結構上的關系推理與信息傳遞，還基于變分推斷自適應地學習圖數據的局部拓撲結構，利用卷積操作對局部結構進行編碼，從而進一步提高圖神經網絡的表達能力。本文工作在多個圖結構數據集上進行實驗，實驗結果表明利用局部結構信息可以有效提升圖神經網絡在基于圖的相關任務上的性能。
, 最新更新時間 , doi: 10.13374/j.issn2095-9389.2022.10.22.001
摘要:
離線強化學習利用預先收集的專家數據或其他經驗數據，在不與環境交互的情況下離線學習動作策略。與在線強化學習相比，離線強化學習具有樣本效率高、交互成本低的優勢。強化學習中通常使用Q值估計函數或Q值估計網絡表示狀態?動作的價值。因無法通過與環境交互及時修正Q值估計誤差，離線強化學習往往面臨外推誤差嚴重、樣本利用率低的問題。為此，提出基于時間差分誤差的離線強化學習采樣方法，使用時間差分誤差作為樣本優先采樣的優先度度量，通過使用優先采樣和標準采樣相結合的采樣方式，提升離線強化學習的采樣效率并緩解分布外誤差問題。同時，在使用雙Q值估計網絡的基礎上，根據目標網絡的不同計算方法，比較了3種時間差分誤差度量所對應的算法的性能。此外，為消除因使用優先經驗回放機制的偏好采樣產生的訓練偏差，使用了重要性采樣機制。通過在強化學習公測數據集——深度數據驅動強化學習數據集上與已有研究成果相比，基于時間差分誤差的離線強化學習采樣方法在最終性能、數據效率和訓練穩定性上均有更好的表現。消融實驗表明，優先采樣和標準采樣相結合的采樣方式對算法性能的發揮至關重要，同時，使用最小化雙目標Q值估計的時間差分誤差優先度度量所對應的算法，在多個任務上具有最優的性能。基于時間差分誤差的離線強化學習采樣方法可與任何基于Q值估計的離線強化學習方法結合，具有性能穩定、實現簡單、可擴展性強的特點。
離線強化學習利用預先收集的專家數據或其他經驗數據，在不與環境交互的情況下離線學習動作策略。與在線強化學習相比，離線強化學習具有樣本效率高、交互成本低的優勢。強化學習中通常使用Q值估計函數或Q值估計網絡表示狀態?動作的價值。因無法通過與環境交互及時修正Q值估計誤差，離線強化學習往往面臨外推誤差嚴重、樣本利用率低的問題。為此，提出基于時間差分誤差的離線強化學習采樣方法，使用時間差分誤差作為樣本優先采樣的優先度度量，通過使用優先采樣和標準采樣相結合的采樣方式，提升離線強化學習的采樣效率并緩解分布外誤差問題。同時，在使用雙Q值估計網絡的基礎上，根據目標網絡的不同計算方法，比較了3種時間差分誤差度量所對應的算法的性能。此外，為消除因使用優先經驗回放機制的偏好采樣產生的訓練偏差，使用了重要性采樣機制。通過在強化學習公測數據集——深度數據驅動強化學習數據集上與已有研究成果相比，基于時間差分誤差的離線強化學習采樣方法在最終性能、數據效率和訓練穩定性上均有更好的表現。消融實驗表明，優先采樣和標準采樣相結合的采樣方式對算法性能的發揮至關重要，同時，使用最小化雙目標Q值估計的時間差分誤差優先度度量所對應的算法，在多個任務上具有最優的性能。基于時間差分誤差的離線強化學習采樣方法可與任何基于Q值估計的離線強化學習方法結合，具有性能穩定、實現簡單、可擴展性強的特點。
