摘要：为了提高脑部磁共振成像(MRI)图像的空间分辨率,目前基于深度卷积神经网络(CNN)的超分辨率(SR)重建方法已经取得了显著的效果。为了提高重建质量,可以通过增加深度或宽度扩大网络的感受野,但会因参数量大、消耗资源多等问题导致模型难以训练;同时,网络对图像的中高频特征关注度不足,影响了重建质量。针对以上问题,设计了一种基于注意力和空洞编码解码的3D-MRI图像超分辨率重建网络。在低分辨率空间进行特征提取,通过对称连接的空洞编码解码器提取图像特征,并缓解棋盘效应;构建串联的通道-空间注意力模块,利用通道注意力获取各特征通道间的相互依赖关系,根据空间注意力自动学习不同位置的特征的权重,有效增强网络对中高频信息的学习;使用亚像素卷积将特征图上采样到目标图像尺寸,降低模型的内存消耗。基于公开数据集Kirby21和BraTS的实验结果表明,相较于传统SR算法和基于CNN的主流SR算法,所提出的算法在峰值信噪比(PSNR)、结构相似度(SSIM)和主观视觉效果上均优于对比算法。

摘要：针对集成电路制造、超精密检测仪器及微机电系统加工制造等领域对大行程、多自由度、高速及高精度运动平台日益迫切的需求,提出一种新型大行程三自由度宏微运动平台。该平台采用直线电动机与压电陶瓷进行宏微双重驱动,采用直线光栅与平面光栅实现双闭环位置反馈与控制。基于该平台结构设计,确定其位置正解方程与位置逆解方程,并列举算例验证。基于ADAMS软件对平台进行运动仿真,分析不同驱动类型与驱动参数对运动平台位移、速度及加速度的影响。最后,针对宏微双重驱动传动的精度问题进行实验研究。结果表明,该平台运动学方程正确有效,具有较好的动态响应性与运动规划性,且该种驱动传动形式满足大行程、高速及高精度的性能要求。

摘要：文章对专业GPU计算卡的重要参数进行了介绍,并对目前应用在高端计算卡上的特色技术进行阐述。