俞书宏课题组怎么样

中国科学技术大学俞书宏院士团队开发了一种以细菌纤维素凝胶为前驱体、通过热压粘合来批量化制备具有层状结构的纤维素基结构材料(CNFP)的方法。结果显示，这种绿色环保的CNFP具有轻质高强韧的优异性能，其性能均超越航空铝合金和钢，且其密度仅为钢的六分之一，铝合金的一半。而在-120~150℃的测试温度范围内，热膨胀系数极小。作为结构材料使用的CNFP的每一个性能指标均接近甚至高于金属、陶瓷和聚合物材料中的最高值。因此在Ashby相图中呈现出第四类结构材料的特性。

　　研究结果显示CNFP优异的综合性能来源于其内部的多级微纳结构以及纤维素纤维之间强的氢键作用。在此基础上，科研人员对纤维素凝胶进行预处理，使纤维之间的界面相互作用增强之后，CNFP的强度和韧性还可以进一步增强。这项研究论文发表在《科学进展》期刊上。

进行任何绘画创作之时都要进行构图研究。这是因为艺术创作是一项由多个环节组成的系统工程,而构图正是这个系统工程早期的重要环节。

构图同时也是画家表达自己的艺术思想将创作意念和艺术思想初步物化为视觉形态展现于画面从而成具有独特个性的艺术风格的重要前提。

对于山水画创作来说,观察对象磅礴宏伟大气,之人文心理及审美情趣审美习惯,就更需要在创作之前充分的思考山、水、树、石、人及其它物象在画面当中位置的经营。

首先，这个图的是假的，也就是不存在和爱因斯坦合影

一个人对待自己的，很有可能成为其对待他人的，同样，一个人对待他人的，也可以反映出他是如何看待自己的。

清华女学霸刘思麟利用这种与各时代的名人同框以博出名的机会，在这个时代也是习空见惯。

最怕的是她说一句，她习惯这样，这样让她舒服或者是有成就感：

其次，外在的关系，正是内在自我关系的一种反映

刘思麟，清华毕业后在故宫修文物。

工作之外，她有一个坚持了6年的特殊爱好：“伪造”和历史名人的合影。她喜欢在自拍后，用PS“穿越时空”，让自己和20世纪的大人物同框。不仔细看，你真的会以为，历史上有过她这么一号人物。

当一个人没有接纳真实的自我，当一个人整日生活在理想化自我的幻想中，幻想自己出生在各个时代：世界名人的合影里都有她，给宋美龄“指点江山”，旁观卓别林上妆，和肯尼迪、丘吉尔同车，和马丁·路德·金一起抗议游行……

并给自己这个“伪造历史”系列作品取名为《我无处不在》。

实质上就是一种YY。

就算表面上看起来很好（就如同，她表面上一直维系一个完美的自我形象一样），但她在交往中并不真正感到放松，感到安全，因为她自己的精神世界无比松散，就是生活那些不真实的照片里。

最后，意识到自己生活在错觉里才是新开始

幻想受害者首先自我本身。

至今为止心中感受到的来自外界的矛盾要求，其实只是一个人的要求、一个神经症患者的要求，并不是来自这个世界的要求，也不是普世的要求。

世界并不像是幻想的受害者感受到的那样，因为他们可能都没有真正接触到现实世界，而一直活在幻想的世界中。

一直误会了真实的世界，就要从意识到自己对真实世界怀有误解开始。

总之，要意识到“我一直和幻想生活在一起”，长此以往，自己的内心世界就会变得扭曲，自己的价值观被扭曲了：避开真实的世界，一直生活在自己的幻想里，生活在历史架空里，生活在那些不真实的照片里，而真实的自己就像一台机器一样生活着，对周围没有任何的兴趣、关心吗，这是生命的本体的极端不负责任！

CNN 远远不止于处理分类问题。

这篇文章中，我们会一起来看在图像实例分割领域，CNN 的发展简史：它可被如何使用，以得到惊人的结果。

据雷锋网(公众号：雷锋网)了解，在 2012 年，Alex Krizhevsky, Geoff Hinton, and Ilya Sutskever 赢得 ImageNet 挑战赛堪称是 CNN 发展史上的里程碑，自那之后，CNN 就成了图像分类的黄金标准，并且性能不断提升。现在，它已经在 ImageNet 挑战赛上有了超人类的表现。

自 2015 年起，CNN 在 ImageNet 的错误率已低于人类

虽然这很令人激动，但相比人类高度复杂、多样化的视觉理解系统，图像识别要简单得多。

在图像识别任务中，一般图中央仅有一个需要识别的物体，而任务便是判断该图像是什么。但当我们用眼睛观察周围的世界时，我们进行的是远远更复杂的任务。

我们眼中的视野高度复杂，有许多个重叠、相互遮挡的物体，有不同的背景；我们的大脑不仅对这些物体进行分类，还会识别它们的边缘轮廓、差异、以及相互之间的关系。

问题来了：CNN 是否“ hold 住”这样复杂的任务？换句话说，给定一个十分复杂的图像，我们是否能用 CNN 来识别其中的不同物体、它们的边缘轮廓？正如 Ross Girshick 和他的同事最近几年的研究所展示：这是完全可以实现的。

内容简介

本文将讲述基于 CNN 的物体检测、分割主流技术背后的直觉性思路，并看看它们是如何从一种执行进化到另一种。其中，我们将覆盖 R-CNN (Regional CNN)、该类问题的最初 CNN 解决方案、 Fast R-CNN 以及 Faster R-CNN 等话题。文末将讨论 Facebook 研究团队最近搞出来的 Mask R-CNN，它把物体检测技术拓展到提供像素级别的分割。

这是本文涉及的论文：

R-CNN:

Fast R-CNN:

Faster R-CNN:

Mask R-CNN:

2014: R-CNN

R-CNN 是将 CNN 用于物体检测的早期应用。

受到深度学习之父 Geoffrey Hinton 实验室研究的启发，加州伯克利教授 Jitendra Malik 带领的一只小团队提出了一个今天看来无可回避的问题：

在什么程度上 Krizhevsky et. al 的研究结果可泛化到物体识别？

如同其名称，物体识别是在图像中找出不同物体、并对其分类的任务（如上图）。该团队包括 Ross Girshick、Jeff Donahue 和 Trevor Darrel，他们发现该问题可通过在 PASCAL VOC 挑战上进行测试，用 Krizhevsky 的结果来解决。PASCAL VOC 是一个类似于 ImageNet 的流行物体识别挑战。

他们写到：

该论文首次展示出，与更简单的、基于 HOG 特征的其他系统相比， CNN 在 PASCAL VOC 上有非常优越的物体识别表现。

现在，我们来看一看他们的架构，Regions With CNNs (R-CNN) ，是如何工作的。

理解 R-CNN

R-CNN 的目标是：导入一张图片，通过方框正确识别主要物体在图像的哪个地方。

输入：图像

输出：方框+每个物体的标签

但怎么知道这些方框应该在哪里呢？R-CNN 的处理，和我们直觉性的很像——在图像中搞出一大堆方框，看看是否有任何一个与某个物体重叠。

生成这些边框、或者说是推荐局域，R-CNN 采用的是一项名为 Selective Search 的流程。在高层级，Selective Search（如上图）通过不同尺寸的窗口来查看图像。对于每一个尺寸，它通过纹理、色彩或密度把相邻像素划为一组，来进行物体识别。

如上图，当边框方案生成之后，R-CNN 把选取区域变形为标准的方形，并将之喂给改良版的 AlexNet（ImageNet 2012 的冠军方案，它启发了R-CNN ）。

在 CNN 的最后一层，R-CNN 加入了一个支持向量机，它要做的事很简单：对这是否是一个物体进行分类，如果是，是什么物体。这便是上图中的第四步。

对边框进行改进

现在，既然已经找到了方框中的物体，我们是否能缩小边框，让它更符合物体的三维尺寸？答案是肯定的，这是 R-CNN 的最后一步。R-CNN 在推荐区域上运行一个简单的线性回归，生成更紧的边框坐标以得到最终结果。

这是该回归模型的输入和输出：

输入：对应物体的图像子区域

输出：针对该物体的新边框系统

概括下来，R-CNN 只是以下这几个步骤：

生成对边框的推荐

在预训练的 AlexNet 上运行方框里的物体。用支持向量机来看边框里的物体是什么。

在线性回归模型上跑该边框，在物体分类之后输出更紧的边框的坐标。

2015: Fast R-CNN

它加速、简化了 R-CNN。

R-CNN 的效果非常好，但出于以下几个原因，它运行起来特别慢：

• 对于每一个图像的每一个推荐区域，它都需要一个 CNN (AlexNet) 的 forward pass。这意味着每个图像就需要约 2000 个 forward pass。

• 它必须分来训练三个不同的模型——生成图像特征的 CNN，预测类别的分类器以及收紧边框的回归模型。这使得训练流水线变得特别困难。

在 2015 年，R-CNN 的第一作者 Ross Girshick 解决了上述两个问题，导致了本简史中第二个算法的诞生： Fast R-CNN

Ross Girshick

Fast R-CNN 特性

1. RoI (Region of Interest) Pooling

对于 CNN 的 forward pass，Girshick 意识到对于每个图像，许多推荐区域会不可避免的重叠，同样的 CNN 运算会一遍遍重复 (~2000 次)。他的思路很简单：为什么不能在每一个图像上只运行一次 CNN，并找到一种在 ~2000 个推荐里共享计算的？

借助名为 RoIPool 的技术，Fast R-CNN 实现了该思路。在其核心，RoIPool 会对图像的所有子区域共享 CNN 的forward pass。上图便是示例，注意每个区域的 CNN 特征，是怎么通过选择 CNN 特征图的相应区域来获取的。然后，每个区域的特征被池化（“pooled”，通常使用 max pooling）。因此原始图像只需要计算一遍，而不是 2000 遍。

2. 把不同模型整合为一个网络

第二项特性是在一个模型里联合训练 CNN、分类器和边框回归量。而此前，提取图像特征要用 CNN，分类要用支持向量机，收紧边框要用回归。Fast R-CNN 用一个单个的网络完成这三项任务。

至于这是如何实现的，请看上图。Fast R-CNN 在 CNN 之上添加一个 softmax 层输出分类，来代替支持向量机。添加一个与 softmax 平行的线性回归层，来输出边框坐标。这种，所有需要输出都通过单个神经网络得到。这是模型整体的输入和输出：

输入：有区域推荐的图像

输出：每个区域的物体识别，收紧的边框

2016：Faster R-CNN

名字很直白，它加速了选区推荐。

即便有上文所提到的优点，Fast R-CNN 仍然有一个重大瓶颈：选区推荐器。正如我们看到的，检测物体位置的第一步，是生成一系列候选边框来进行测试。雷锋网了解到，在 Fast R-CNN 里，这些推荐通过 Selective Search 生成。后者是一个相当慢的过程，成为系统整体的瓶颈。

在 2015 年，微软的孙剑、任少卿、何凯明、Ross Girshick 找到了一个让推荐步骤几乎不需要成本的办法，这通过被他们称之为 Faster R-CNN 的架构来实现。

孙剑

Faster R-CNN 背后的思路是：既然选区推荐取决于 CNN forward pass 已经计算出来的图像特征，那么，为什么不对区域推荐重复利用这些 CNN 结果，来代替运行一个单独的 selective search 算法？

这便是 Faster R-CNN 更快的原因。

上图中，你可以看到单个 CNN 是如何同时进行选区推荐和分类。利用这种，只有一个 CNN 需要被训练，我们也几乎免费得到了选区推荐。作者们写到：

“我们的观察是：基于区域的检测器所使用的卷积特征图，比如 Faster R-CNN，也能被用来生成选区推荐。”

这是模型的输入和输出：

输入：图像（选区推荐并不需要）

输出：分类、图中物体的边框坐标。

选区是如何生成的

我们一起多花几分钟，看看 Faster R-CNN 是如何从 CNN 特征里生成选区推荐的。Faster R-CNN 在 CNN 特征之上添加了完全卷积网络（Fully Convolutional Network ），以生成 Region Proposal Network。

Region Proposal Network 通过在 CNN 特征图上传递滑窗（sliding window）来运作，在每个窗口输出 K 潜在边框和对每个边框的评估分值。这些 K 边框代表了什么呢？

直觉上，我们知道图像中的物体应该符合特定的常用长宽比例和尺寸，比如类似于人体形状的矩形选框。类似的，我们知道很窄的选框并不会太多。于是我们创造出 anchor boxes ——K 常用长宽比例，对于每一个 anchor boxe，我们输出选框以及图像中的每个位置的分值。

有了这些 anchor boxes，我们看看 Region Proposal Network 的输入、输出。

输入: CNN 特征图

输出：每个 anchor 对应一个选框。一个分值，用来表示选框内图像是否为物体。

之后把每个可能是物体的选框导入 Fast R-CNN，生成分类和收紧的选框。

2017: Mask R-CNN

把 Faster R-CNN 拓展到像素级的图像分割。

到现在，我们已经看到了多种利用 CNN 特征、利用选框来锁定图像中不同物体的有趣。我们是否能够将这些技术进一步，去定位物体的每一个像素呢？

该问题便是图像分割（image segmentation）。对此，Facebook AI 的何凯明、Girshick 等研究人员开发出了一个名为 Mask R-CNN 的架构。

与 Fast R-CNN、Faster R-CNN 一样，Mask R-CNN 的底层逻辑也很直接：Faster R-CNN 对物体识别效果这么好，我们能够将之扩展到像素级别的分割？

Mask R-CNN 通过向 Faster R-CNN 加入一个分支来实现这一点，该分支输出一个二元的 mask，指示某像素是否是物体的一部分。这分支（图中白色部分）说白了就是一个 CNN 特征图上的全卷积网络。这是它的输入、输出：

输入：CNN 特征图

输出：矩阵，属于物体的像素在矩阵内用 1 表示，否则用 0 表示（这就是二元 Mask）。

为使 Mask R-CNN 如预期的运行，作者们做了一个小改变：RoiAlign，或者说 Realigning RoIPool。

RoiAlign

当不加修改地运行于原始版本的 Faster R-CNN，RoIPool 选择的特征图区域，会与原图中的区域有轻微排列出入。而图像分割需要像素级别的精确度。于是，作者们巧妙地对 RoIPool 进行调整，使之更精确得排列对齐，这便是 RoIAlign。

假设我们有一个 128x128 的图像，25x25 的特征图，想要找出与原始图像左上角 15x15 位置对应的特征区域，怎么在特征图上选取像素？

我们知道原始图像的每一个像素与特征图上的 25/128 个像素对应。为了在原始图像选取 15 个像素，在特征图上我们需要选择 15 25/128 ~= 2.93 个像素。

对于这种情形，RoIPool 会舍去零头选择两个像素，导致排列问题。但在 RoIAlign，这种去掉小数点之后数字的被避免，而是使用双线性插值（bilinear interpolation）准确获得 2.93 像素位置的信息。在高层级，这避免了排列错误。

在 mask 生成之后，Mask R-CNN 把它们与 Faster R-CNN 的分类、选框结合起来，生成相当精确的分割：

后话

短短三年的时间，我们就看到了机器学习社区从 Krizhevsky et. al 的原始结果进步到 R-CNN，并最终开发出 Mask R-CNN 这样的强大方案。若单独来看，Mask R-CNN 像是一步巨大的技术飞跃，令人难以望其项背。但在这篇简史中，我希望大家看到，这样的进步是一系列直觉性、渐进式进步的总和，是多年苦心合作研究的成果。

但从 R-CNN 到 Mask R-CNN 毕竟只用了三年。在接下来的三年，计算机视觉又会进步多少呢？

首先来看下好奇号拍摄的火星蘑菇照片：

其实，从照片上面来看，这些图片里面的物体并不像“蘑菇”，反而像某种圆球状的物体。如果你经常和纳米材料打交道，经常做扫描电镜（SEM）或者（TEM），那么机会发现这些图片和电镜下某些胶束的结构很像，都是这种圆圆的样子：

上图放大之后和好奇号发现的火星“蘑菇”几乎一样，不过这些白色圆点不过就是脂质体形成的胶束纳米结构而已，呈现为圆形。而好奇号拍摄的物体，应该也是圆形球形，这样对应的就是某种矿石，而科学家猜测就是赤铁矿。

有些人认为这些白色圆点是“蘑菇”，是火星真菌。但火星表面环境如此恶劣，想要拥有生命几乎是不可能。所以，这些个“蘑菇”是火星生命的可能性基本不用考虑。

《俞书宏课题组怎么样》由：互联网用户整理提供；
链接地址：/show/86836.html
转载请保留,谢谢!

• 上一篇：暑假综合实践活动作业1.科技论文或小科技
• 下一篇：英语翻译广告案例分析 果树概论 会计教学