摘要：鞋印是刑事案件中出现率最高的痕迹物证[1],通过检索现场鞋印进而确定鞋样能够获得有关嫌疑人身份和犯罪特点的重要信息。近年来研究人员逐渐把深度学习的相关方法应用到鞋印检索上,但目前大多数基于深度学习的鞋印检索算法都直接使用预训练的卷积神经网络提取特征,并未微调再训练,也没有设计并训练新的网络模型。提出一种基于微调VGG-16的现场鞋印检索算法。首先建立一个432类共2827幅图片的鞋印数据集,并进一步增广到228987幅图像。然后使用该数据集微调ILSVRC数据集预训练的VGG-16模型,并将该模型作为鞋印特征提取器。实验结果显示,与使用预训练模型相比本文方法的检索精度有了明显提高,在200幅嫌疑鞋印和5000幅样本鞋印图像构成的测试数据集上top10的正确识别率达75.5%。

摘要：【目的】为有效减轻极端暴雨天气造成的城市洪涝问题,开展了对城市雨水排水系统(USDS)中雨水调蓄池(SST)的选址及数量优化的研究。【方法】采用博弈论(GT)思想将层次分析法(AHP)获得的主观权重与改进熵值法(IEVM)获得的客观权重组合赋权,并与灰色关联分析(GRA)和逼近理想解排序(TOPSIS)相结合,建立了城市内涝与面源污染风险的定量评估框架。根据各节点的相对接近度确定风险等级,风险较高的节点设置SST,根据积水削减率和总悬浮物(TSS)削减率优化SST的数量。以山西省长治市为例,探讨了该方法在不同降雨重现期时城市内涝和面源污染的控制效果。【结果】GRA-TOPSIS法在5 a和10 a降雨重现期时的综合变异系数分别为0.355和0.361,极值均为0.496,均高于单独GRA或TOPSIS.【结论】GT赋权并耦合GRA-TOPSIS的优化方法采用较少的经济投资可较好地消除城市内涝和面源污染风险,为SST的选址和数量优化提供了新思路。