摘要：文中采用溶胶-凝胶法制备纳米SiO2粒子,将其整理到棉织物表面构建微纳级粗糙结构,并用3种无氟疏水剂及复合搭配对织物进行修饰,使其具备超疏水性能。采用扫描电子显微镜、X射线衍射分析SiO2粒子晶体形态和整理前后棉织物的化学结构及微观形貌;通过静态水接触角、动态水滑移角评价织物疏水性能,并对织物的耐水冲击和耐洗涤性能进行测试。结果表明,制得的SiO2粒子单分散性良好,直径为200~300 nm。修饰后棉织物静态水接触角度可达130.0°~160.0°,滑移角在7.0°~12.0°,十六烷基三甲氧基硅烷和十二烷基三甲氧基硅烷混合使用整理的棉织物超疏水效果最好,静态接触角为156.2°,滑移角为7.0°,并具备优异的耐洗涤和耐水冲击性能。

摘要：半监督多标记学习利用有标记数据和无标记数据进行模型的训练,降低了多标记数据的标记成本并取得了不错的结果,吸引了很多研究者不断进行研究.然而,在半监督标注过程中,由于标记的数量较多,往往会出现某些标记缺失标注样本的情况,这些标记被称为开放词汇.开放词汇会导致模型无法学习到该类别的标记信息,使得模型性能下降. 针对上述问题,提出了基于图提示的半监督开放词汇多标记 学习方法. 具体地,该方法利用基于提示的图神经网络对预训练大模型进行微调,挖掘和探索开放词汇与 监督样本之间的关系. 通过使用包含图像与文本的多模态数据构造图神经网络作为预训练大模型的文本 输入进行学习. 其次利用预训练大模型在开放词汇上的泛化能力,对无监督样本生成伪标记,实现对输出 分类层的微调,使模型在对开放词汇进行分类时能获得更加理想的效果. 多个基准数据集上的实验结果 均显示,基于图提示的半监督开放词汇多标记学习方法优于目前的主流方法,在 VOC,COCO,CUB,NUS 等基准数据集上均取得了最优的效果.