类别语义信息对齐的无监督领域自适应网络

针对在目标应用场景中缺乏大量有标定训练数据的情况下难以获得有效的深度学习分类模型的问题,结合领域分布差异的方法与对抗学习方法的优势,提出以显式特征对齐与隐式领域对抗及类别对齐为基础的领域自适应框架.对于显式特征对齐模块,考虑到领域知识差异大带来的优化难题,采用渐进式协同优化策略,通过逐层减小不同语义层之间的领域差异,提升领域自适应性能.对于隐式类别对齐模块,为了增强目标特征的判别性,使用自训练方法获得伪标签,克服伪标签存在的标签噪声问题,并通过学习混淆矩阵优化伪标签的准确率,自动构造新的目标领域损失函数,从而在减小领域间差异的同时,提升源领域与目标领域相同类别的特征分布对齐的准确性.基于Office-31数据集的6个跨领域分类任务与基于Office-Home数据集的12组跨领域分类任务的实验结果表明,该方法在迁移学习任务上的平均分类准确率相较于基准方法分别提升11.9%和19.9%,所提出网络对于领域自适应任务是有效的.     

常用补焊方法及其工艺参数合理化在零部件缺陷处理中的应用研究

本文针对零部件缺陷常用的补焊方法作了介绍,并对其作出了比较,给出了其适用范围。并给出了一般补焊工艺要求,对手工电弧焊和手工钨极氩弧保护焊的工艺参数选择作出了说明,对实际生产具有一定的参考意义。     

补焊技术在轧机关键件中的应用研究

文章详细论述了轧机设备关键件的生产过程中,零部件缺陷常用的补焊方法及施焊特点。除了在施焊前后的一般工艺要求外,针对不同材质零件在不同使用场合下,对其补焊工艺要求及焊接方式的不同选择做了说明,对实际生产具有一定的借鉴意义。