摘要：目前,在带有视差场景的图像对齐中,主要难点在某些无法找到足够匹配特征的区域,这些区域称为匹配特征缺失区域.现有算法往往忽略匹配特征缺失区域的对齐建模,而只将有足够匹配特征区域中的部分单应变换系数(如相似性变换系数)传递给匹配特征缺失区域,或者采用将匹配特征缺失区域转化为有足够匹配特征区域的间接方式,因此对齐效果仍不理想.在客观事实上,位于相同平面的区域应该拥有相同的完整单应变换而非部分变换参数.由此出发,利用单应变换系数扩散的思想设计了一个二步网格优化的图像对齐算法,简称单应扩散变换(Homography diffusion warping,HDW)算法.该方法在第一步网格优化时获得有足够匹配特征区域的单应变换,再基于提出的单应性扩散约束将这些单应变换系数扩散到邻域网格,进行第二步网格优化,在保证优化任务简洁高效的前提下实现单应变换系数的传播与图像对齐.相较于现有的针对视差场景图像对齐算法,所提方法在各项指标上都获得了更好的效果.

摘要：现有基于深度学习的哈希图像检索方法通常使用全连接作为哈希编码层,并行输出每一位哈希编码,这种方法将哈希编码都视为图像的信息编码,忽略了编码过程中哈希码各个比特位之间的关联性与整段编码的冗余性,导致网络编码性能受限.因此,本文基于编码校验的原理,提出了串行哈希编码的深度哈希方法——串行哈希编码网络(serial hashing network,SHNet).与传统的哈希编码方法不同,SHNet将哈希编码网络层结构设计为串行方式,在生成哈希码过程中对串行生成的前部分哈希编码进行校验,从而充分利用编码的关联性与冗余性生成信息量更为丰富、更加紧凑、判别力更强的哈希码.采用mAP作为检索性能评价标准,将本文所提方法与目前主流哈希方法进行比较,实验结果表明本文在不同哈希编码长度下的mAP值在3个数据集CIFAR-10、ImageNet、NUS-WIDE上都优于目前主流深度哈希算法,证明了其有效性.

摘要：针对多孔平衡孔板的设计需求,提出了一种结构参数设计计算的总体思路,并以含有中心孔和一圈函数孔的平衡孔板为例,详细阐述了具体设计方法和算例。首先,计算并确定孔板的壁厚和倒角;其次,根据永久压损比与等效开孔直径比(Δω/ΔP-β)的关系,以及压损系数与等效开孔直径比(ζ-β)的关系,通过迭代计算确定β数值;接着,基于管道直径计算确定圆心圆直径Db和平衡孔数量N;然后,根据等效开孔直径比的定义式和补充几何关系式,建立了关于中心孔直径d0和平衡孔直径db的方程组,并成功求解出d0和db的具体数值;最后,计算流出系数C,以此评估孔板的性能。文中以一款DN250平衡孔板的结构参数计算过程为例,对方法进行了展示。实验结果显示,设计得到的流出系数和满量程差压与标定数据偏差分别在5%和10%以内,满足工程设计需要,证明了本方法的实用性。