Author Affiliations
Abstract
1 School of Instrumentation Science and Engineering, Harbin Institute of Technology, Harbin, China
2 Research Center of Laser Fusion, China Academy of Engineering Physics, Mianyang, China
Segmenting dark-field images of laser-induced damage on large-aperture optics in high-power laser facilities is challenged by complicated damage morphology, uneven illumination and stray light interference. Fully supervised semantic segmentation algorithms have achieved state-of-the-art performance but rely on a large number of pixel-level labels, which are time-consuming and labor-consuming to produce. LayerCAM, an advanced weakly supervised semantic segmentation algorithm, can generate pixel-accurate results using only image-level labels, but its scattered and partially underactivated class activation regions degrade segmentation performance. In this paper, we propose a weakly supervised semantic segmentation method, continuous gradient class activation mapping (CAM) and its nonlinear multiscale fusion (continuous gradient fusion CAM). The method redesigns backpropagating gradients and nonlinearly activates multiscale fused heatmaps to generate more fine-grained class activation maps with an appropriate activation degree for different damage site sizes. Experiments on our dataset show that the proposed method can achieve segmentation performance comparable to that of fully supervised algorithms.
class activation maps laser-induced damage semantic segmentation weakly supervised learning High Power Laser Science and Engineering
2024, 12(1): 010000e4
针对工科院校当前实验教学中普遍存在的学生实践能力不高、学习兴趣匮乏等问题，贝加莱实验室激励学生进行自我赋能，激发学生学习兴趣，赋能授权给学生更多学习权利，攫取多学科融合知识技能，全面提升专业素养和创新能力，培养他们迅速成长为符合时代需要的新工科创新人才。该文将赋能授权理论的思想引入贝加莱实验室教学改革过程中，探讨了以“学”为中心，学生自我赋能、自主学习、自我教学的教学方式。实践证明，通过应用赋能授权的创新教学方式，学生的学习主动性明显提高，教学效果大大改善，在各类学科竞赛、考研就业中表现优异，为培养新工科专业人才提供了新思路。
赋能授权 兴趣班 新工科 人才培养 empowerment interest class new engineering talent training
基于深度学习的人脸识别技术在大量应用场景中表现出优于传统方法的性能, 它们的损失函数大致可分为 2类: 基于验证的和基于辨识的。验证型损失函数符合开集人脸识别的流程, 但实施过程比较困难。因此目前性能较优的人脸识别算法都是基于辨识型损失而设计的, 通常由 softmax输出单元和交叉熵损失构成, 但辨识型损失并没有将训练过程与评估过程统一起来。本文针对开集人脸识别任务提出一种新的验证型损失函数, 即最大化受试者工作特征(ROC)曲线下的部分面积(pAUC); 同时还提出一种类中心学习策略提高训练效率, 使提出的验证型损失和辨识型损失有较强的可比性。在 5个大规模非限定环境下的人脸数据集上的实验结果表明, 提出的方法和目前性能最优的人脸识别方法相比, 具有很强的竞争性。
人脸识别 部分面积优化 损失函数 类中心 face recognition partial Area Under Curve optimization loss function class centers 太赫兹科学与电子信息学报
2023, 21(9): 1150
1 集美大学计算机工程学院，福建厦门 361021
2 山西省检验检测中心，山西太原 030000
针对键盘电磁信息安全问题，分析了 PS/2键盘的工作原理以及信号特征，提出一种基于深度学习的检测方法。该方法针对键盘设备的电磁泄漏信号特征，对卷积神经网络(CNN)结构进行了适应性调整; 结合改进的梯度加权类激活映射方法，实现了对键盘电磁信息的智能识别和精准定位。对 4个按键的电磁信号进行测试，分类准确率达到了 98%; 在噪声环境下的分类准确率也达到了 81%。将梯度加权类激活映射方法及其改进方法对键盘电磁信息的定位效果进行了对比，实验结果证明改进后的方法定位效果更佳。
信息安全 电磁信息检测 深度学习 梯度加权类激活映射 information security electromagnetic information detection deep learning Gradient-weighted Class Activation Mapping 太赫兹科学与电子信息学报
2023, 21(5): 645
1 北京城乡建设集团有限责任公司, 北京 100067
2 山东交通学院 交通土建工程学院, 济南 250357
光面爆破是硬岩隧道控制开挖的主要方法, 由于爆破破岩机理与过程复杂, 炮孔与装药参数设计粗放, 因此实现隧道全断面光滑轮廓开挖较为困难。以寨山隧道Ⅲ级硬岩段工程为研究背景, 首先采用大量的爆破试验和调查研究的方法, 发现原爆破方案下, 爆后隧道洞周轮廓拱部至边墙存在超挖、欠挖分布, 以及存在盲炮、二次爆破施工等问题; 其次, 依据相关规范和工程经验, 提出了光面爆破炮孔与装药参数的优化措施, 包括减小周边眼间距、增加内圈眼数量、水袋间隔装药、炮泥堵塞和减小单孔装药量。结果表明: 合理设计光爆层炮眼数量、单孔装药量, 采用水袋间隔装药与炮泥堵塞, 可提高装药爆炸能量的利用率, 实现光爆层岩体的均匀破碎, 有利于控制洞周岩体超欠挖。采用优化的光面爆破参数, 爆后隧道全断面轮廓成形光滑、圆顺, 炮孔残痕清晰, 有利于提高隧道开挖质量和加快隧道整体施工进度。研究成果可为类似硬岩隧道全断面光面爆破开挖参数设计与优化提供一定的技术与方法借鉴。
Ⅲ级硬岩 隧道工程 全断面 光面爆破 现场试验 class Ⅲ hard rock tunnel engineering full face smooth blasting field test
中药材重金属超标问题日趋严重, 将阻碍中药产业的未来高质量发展, 因此研究高效、 准确、 便捷的超标鉴定方法对于了解中药的安全性具有重要意义。 X射线荧光(XRF)光谱分析具有无损检测、 快速准确、 样品制备方便等优势, 在元素分析领域获得广泛应用。 由于中药材重金属超标阈值低(如中国药典2020年版规定铅超标为5 mg·kg-1), 中药的种类繁多, 基体复杂, 国家标准样本匮乏, 常规的分类算法难以准确鉴定超标问题。 将迁移学习与多分类支持向量机(TrAdaBoost-SVM)方法结合, 以金银花为例, 采用与金银花相似的国家土壤标准样品的光谱特征信息用于数据增强, 将土壤标准样品和少量中药样本混合建立迁移学习和支持向量机分类模型。 通过实验验证, 迁移学习和TrAdaBoost-SVM结合的分类优化方法, 与传统SVM、 AdaBoost分类算法相比, 鉴定重金属元素铅(Pb)的超标准确率有显著提高。 通过测试数据集的预测验证, TrAdaBoost-SVM模型的预测准确率为96.7%, 高于传统SVM及AdaBoost分类模型的准确率。 所提出的迁移学习与TrAdaBoost-SVM结合的方法, 可在小样本条件下建立分类模型, 并对中药的重金属超标准确预测, 具有一定的理论意义和应用价值。
X荧光光谱分析技术 迁移学习 支持向量机 中药重金属超标分类 X-ray fluorescence spectroscopy analysis technolog Migration learning Support vector machine Heavy metals in traditional Chinese medicine class 光谱学与光谱分析
2023, 43(9): 2729
河南科技大学 信息工程学院, 河南 洛阳 471023
基于025 μm GaN HEMT设计了一种工作于C波段、结构简单、宽带高效的E类功率放大器。针对单片微波集成电路(MMIC)功率放大器设计中射频扼流圈所占面积较大且难以实现的问题, 采用有限元直流馈电电感替代扼流圈电感, 抑制晶体管寄生参数Cds对最高工作频率的影响, 并采用低Q值混合参数匹配网络, 将功率放大器电路输入输出的最佳阻抗匹配到标准阻抗50 Ω。版图后仿真结果表明, 在41~49 GHz工作频段内, 功率附加效率为51309%~58050%, 平均增益大于11 dB, 输出功率大于41 dBm。版图尺寸为27 mm×14 mm。
功率放大器 氮化镓 E类 有限直流馈电电感 混合参数匹配网络 power amplifier GaN class E finite DC-feed inductance mixed parameter matching network
1 北京大学 集成电路学院, 北京 100871
2 北京微电子技术研究所, 北京 100076
折叠式共源共栅和Class AB(FC-AB)结构的运算放大器被广泛研究和使用, 但是其结构应用的多变性使设计者难以快速准确地设计出符合要求的电路。文章提出了一种标准化的运算放大器设计流程, 设计者可以根据应用需求快速灵活地设计目标电路。以电流分配作为设计流程的起始点和调整点, 以核心参数作为判据或约束项, 进行迭代优化, 最终通过相关电流和跨导确定器件尺寸。以流程图形式提出了低噪声运放的设计流程, 关键器件尺寸的理论值和设计值平均误差为1148%。根据该流程设计了一种低噪声运放, 并采用018 μm CMOS工艺进行了加工。运放关键电学参数都满足设计要求, 其等效输入噪声为108 nV/√Hz, 与目标值偏差18%。
设计流程 折叠共源共栅 Class AB级输出 低噪声运算放大器 design procedure folded cascode class AB output low noise operational amplifier
1 福州大学 电气工程与自动化学院，福建 福州 350108
2 中国科学院 福建物质结构研究所，福建 福州 350002
3 中国科学院 海西研究院 泉州装备制造研究中心，福建 泉州 362000
针对目前增量学习中所面向目标都是固定姿态这一现象，本文考虑了更严格的设定，即面向多姿态目标的在线类增量学习，并提出了无视姿态重放方法来缓解在线类增量学习中面对多姿态目标时的灾难性遗忘。首先，将2D/3D目标进行点云化处理，以方便提取目标的有效几何信息；其次，基于群对网络进行平移旋转等变性改进，使网络能够提取更丰富的几何信息，从而降低模型在每个任务中受目标姿态的影响；最后，根据损失变化采样特定样本用于重放来缓解灾难性遗忘。实验结果表明，在面对固定姿态目标MNIST、CIFAR-10时，本文方法的最终平均精度分别达到了88%和42.6%，与对比方法结果相近，但最终平均遗忘率明显优于对比方法，分别降低了约3%和15%。在面对多姿态目标RotMNIST、trCIFAR-10时，本文方法依旧能很好地保持在固定姿态目标中的表现，基本不受目标姿态的影响。此外，在3D数据集ModelNet40中的表现也依旧稳定。本文所提方法在在线类增量学习中能够不受目标姿态的影响，同时能缓解灾难性遗忘，具有很好的稳定性和可塑性。
在线类增量学习 灾难性遗忘 无视姿态重放 等变性 点云分类 online class-incremental learning catastrophic forgetting ignoring pose replay equivariance point cloud classification
