In_xGa_(1-x)As/GaAs异质薄膜的临界厚度

从In组分、生长温度和As BEP 3个参数出发,利用RHEED和STM技术深入研究了In_xGa_(1-x)As/GaAs异质薄膜的临界厚度。研究发现In的组分直接决定了In_xGa_(1-x)As/GaAs异质薄膜的临界厚度,而生长温度和As BEP的差异也在很大程度上对临界厚度产生重要影响。在特定的生长温度和As BEP下,In_xGa_(1-x)As/GaAs的临界厚度随着In组分的减小呈指数增加,尤其是当In组分20%时临界厚度将趋于无穷大。对于特定In组分的In_xGa_(1-x)As/GaAs异质薄膜来说,当生长温度相同时,临界厚度随着As BEP的增加而迅速增大;而在As BEP相等时,临界厚度将随着生长温度的增加而减小;不同生长温度之间临界厚度的差异将随着As BEP的减小而不断减小,到更低As BEP时甚至将趋于相等。     

改进SSD算法的多目标检测

目标检测作为计算机视觉的核心,在人脸识别、人脸跟踪、大规模场景识别等方面具有广泛应用,其中One-stage领域的SSD算法检测速度和检测性能较为突出,但在环境较为复杂的多目标检测情况下仍会出现误检和漏检。针对这一问题,提出一种改进SSD算法的多目标检测方法,通过优化SSD内部网络和提高样本适用性的方式改善检测性能;其中,采用修改网络输出和添加抗旋转层ARConv来统一网络结构,降低模型训练时间,减少漏检;并提出P-NMS算法和限制函数优化训练样本,减少误检;在测试阶段,提出单张图片批量测试方法,有效提高模型召回率。实验结果表明,改进后算法具有更强的鲁棒性,并且能有效降低误检、漏检率提升网络性能。     

ResNet网络下教室人物姿态分类

该文首次将ResNet网络的思想对复杂教室环境下的人物进行多类别分类设计,改进了网络结构,有效解决了传统基于像素特征的方法分类效果不理想的问题。实验中通过卷积提取特征、不同感受野、保留像素间联系、多层卷积级联提取深层次特征等方法,在网络训练过程中进行参数调整,优化算法和网络参数来解决困难样本的识别,将多类别的分类准确率从83.5%提升到99.2%,并实现了多目标检测的11类样本的判定。最终选取ResNet18₁6来进行高速有效的多类别识别。