基于卷积神经网络的单目深度估计

针对利用深度学习方法对街道图像进行深度估计，提出采用语义分割的方法解决深度图出现边界模糊等问题；估计深度通过左右视角图生成视差图进行无监督的训练。在网络模型中添加语义分割层，采取多个空洞卷积并行的结构增加感受野，同时减少了图像下采样的次数，降低了由于下采样带来的信息损失，使得的结果更加准确。这也是在深度估计中首次与空洞卷积相结合增加准确率。通过对KITTI街道数据集进行训练，与现有结果相比，除了增加检测准确性，降低错误率之外，使得效果图中的物体更加清晰，并且在效果图中还保留了一些原模型中被忽视掉的细节信息，将原始图像更加完整的表现出来。     

面向连续查询的敏感语义位置隐私保护方案

针对连续查询位置服务中构造匿名区域未考虑语义位置信息导致敏感隐私泄露问题，通过设计[(K,θ)]-隐私模型，提出一种路网环境下面向连续查询的敏感语义位置隐私保护方案。该方案利用Voronoi图将城市路网预先划分为独立的Voronoi单元，依据用户的移动路径和移动速度，选择具有相似特性的其他[K-1]个用户，构建匿名用户集；利用匿名用户集用户设定的敏感语义位置类型和语义安全阈值，以及用户所处语义位置的Voronoi单元，构建满足[(K,θ)]-隐私模型的语义安全匿名区域，可以同时防止连续查询追踪攻击和语义推断攻击。实验结果表明，与SCPA算法相比，该方案在隐私保护程度上提升约15%，系统开销上降低约20%。     

融合语义标签和噪声先验的图像生成

针对现有生成模型难以直接从复杂语义标签生成高分辨率图像的问题,提出了融合语义标签和噪声先验的生成对抗网络(SLNP-GAN)。首先,直接输入语义标签(包含形状、位置和类别等信息),使用全局生成器对其进行编码,并结合噪声先验来学习粗粒度的全局属性,初步合成低分辨率图像;然后,基于注意力机制,使用局部细化生成器来查询低分辨率图像子区域对应的高分辨率子标签,获取细粒度信息,从而生成纹理清晰的复杂图像;最后,采用改进的引入动量的Adam算法(AMM)算法来优化对抗训练。实验结果表明,与现有方法text2img相比,所提方法的像素精确度(PA)在COCO_Stuff和ADE20K数据集上分别提高了23.73%和11.09%;相较于Adam算法,AMM算法收敛速度提升了约一倍,且损失值波幅较小。可见,SLNP-GAN能高效地获取全局特征和局部纹理,生成细粒度、高质量的图像。     

不同粘结相碳化钨基硬质合金的研究与应用（Ⅱ）

硬质合金由高硬度、高熔点的硬质相和韧性好、熔点相对较低的粘结相组成。传统碳化钨基硬质合金的粘结相主要为金属基粘结相,如Co、Ni、Fe或钢基粘结相,因其能有效提高硬质合金的韧性,使合金具有较为优异的力学性能,已经在硬质合金工业中取得了广泛地应用。随着硬质合金工业的发展和工程应用需求的提高,具有潜在应用的新型粘结相引起广泛地科学研究。本文评述了金属间化合物粘结相、高熵合金粘结相及无粘结相硬质合金的制备方法、力学性能及最新研究成果,并将其优异特性与传统WC-Co进行对比,最后对各类粘结相硬质合金的成分、显微组织、力学性能之间的联系进行了简单的阐述。     

高熵合金CrNbTiVZr的微观组织及其在模拟PEMFC环境中腐蚀行为研究

采用真空电弧熔炼和热处理制备了CrNbTiVZr高熵合金,利用XRD、SEM/EDS、动电位与恒电位极化曲线测试及XPS表面分析等方法,研究了高熵合金铸态及退火后的微观组织特征以及合金在模拟PEMFC环境中的电化学腐蚀行为及其钝化膜组成。结果表明,CrNbTiVZr高熵合金的铸态和退火组织均由富集Ti、Nb元素的无序BCC相和富集Cr、V、Zr元素的Laves相组成。铸态和退火合金在模拟PEMFC阴极环境中腐蚀电流密度Icorr均比304SS不锈钢下降一个数量级,具有较好的耐蚀性和稳定性,但在阳极环境中其耐蚀性与304SS相当,其中铸态合金的稳定性较差。合金在阴极环境良好的耐蚀性主要与其表面形成由Cr2O3、Nb2O5、V2O3、Ti2O3及ZrO2组成的致密钝化膜关系密切。     

B对FeCoCrNiSiBx高熵合金激光熔覆层组织和硬度的影响

采用激光熔覆制备了FeCoCrNiSiB_x高熵合金熔覆层,利用光学显微镜、扫描电镜、X射线衍射仪和显微硬度计研究微量硼元素(摩尔比x=0、0.02、0.04、0.06、0.08)对FeCoCrNiSiB_x高熵合金熔覆层组织和硬度的影响。结果表明:无B高熵合金涂层组织主要为胞状晶。B的添加会促进枝晶的生成,逐渐形成鱼骨状树枝晶,但过量的B会破坏枝晶完整性,形成蠕虫状晶。此外,高熵合金熔覆层组织为FCC和BCC双相结构,B元素的添加会形成大量0.1~2.6 μm的Cr₂B第二相,有助于提高熔覆层硬度,其中x=0.06时激光熔覆层的硬度最高,约为537 HV0.2。