摘要：在表情识别任务中由于人脸特征的多样性和不确定性,导致在特征提取阶段容易出现特征缺失以及特征提取率低下等问题,与此同时,在具有特征复用结构的网络训练过程中还会堆积大量冗余特征,从而影响特征质量。针对以上问题,提出了一种基于特征筛选结合改进卷积的残差多尺度特征融合注意力机制模型(residual multiscale feature fusion attentional network,RMFANet)。参考蓝图可分离卷积以及空洞卷积的思想,设计并引入了改进后的卷积形式,从而更有效地将卷积进行分离,提升特征提取效能;在改进后卷积模式的基础上设计并引入了多尺度并行特征提取通路,丰富了特征信息;设计并引入了特征筛选模块,以减少模型训练过程中产生的冗余特征,同时筛选出优质特征,提升特征质量;设计并引入了浅层输入特征处理层,以简化网络结构,降低计算复杂度;引入通道注意力机制,以突出局部关键特征信息;最后引入SMU激活函数,从而提升模型的非线性能力。通过实验结果可以看出,该模型可以在保证较低参数量以及计算成本的前提条件下在Fer2013数据集以及CK+数据集上分别取得70.298%和96.566%的识别准确率,相比较传统算法而言具有更好的鲁棒性。

摘要：图像超分辨率(super resolution,SR)重建是计算机视觉领域的热点问题,重点是利用深度学习将图像重建模型作为提高图像和视频分辨率的重要图像技术。往往这些重建模型的网络结构比较简单,就会导致梯度传递愈发困难,更会导致效率低下,而且重建后的图像依然存在细节丢失、噪声过大等问题,故提出一种改进生成网络中的残差块和判别网络中的判别模型的GAN(generative adversarial networks)图像超级分辨率重建模型。在模型结构上,将组成生成网络的基本单位简化成Conv+RELU,再进行重新设计,将密集残差网络的思想融入其中并重新设计组合成新的生成模型,将判别网络中的顺序连接的残差块进行了重新设计来实现更优的性能。训练模型所使用的数据集是DIV2K和Flickr2K。从最后得出的实验结果对比来看,在Set5、Set14、BSD100、Urban100四个公开的数据集上,所提出的模型相较于其他五个主流重建模型在图像重建质量的峰值信噪比(PSNR)、结构相似性(SSIM)上均提升1%~4%不等,在主观观感上也有所提高。

摘要：一、引言 被动式太阳房中大多数利用特朗勃墙作为集热蓄热墙。这种集热P件在有日照时外表面温度高,热损失大,夜间供热量小,供热品质不佳。在夜间增加保温盖板或保温帘可以减少热损失,但又带来了构造的复杂化及人工操作的麻烦。 为了克服上述缺点,设计了一种热管与水箱相结合的太阳能集热蓄热供暖装置,对其进行了实验研究。实验的目的是(1)与传统的特朗勃墙的热工性能进行对比;(2)利用实验数据回归出该种集热墙的热性能经验公式;(3)对其进行技术经济评价。