粒度研究论文

粒度研究论文

我们在路边看到萌犬可爱至极，然后却不知道这个是哪种狗；看见路边的一个野花却不知道叫什么名字，吃着一种瓜，却不知道是甜瓜还是香瓜傻傻分不清……

细粒度图像分析任务相对通用图像任务的区别和难点在于其图像所属类别的粒度更为精细。

细粒度分类目前的应用场景很广泛，现在的网络大多分为有监督的和半监督的。

有监督的做法基于强监督信息的细粒度图像分类模型，是在模型训练时，为了获得更好的分类精度，除了图像的类别标签外，还使用了物体标注框（bounding box）和部位标注点（part annotation）等额外的人工标注信息。

基于弱监督信息的细粒度图像分类模型，基于强监督信息的分类模型虽然取得了较满意的分类精度，但由于标注信息的获取代价十分昂贵，在一定程度上也局限了这类算法的实际应用。因此，目前细粒度图像分类的一个明显趋势是，希望在模型训练时仅使用图像级别标注信息，而不再使用额外的part　annotation信息时，也能取得与强监督分类模型可比的分类精度。

了解了大体的做法，我将从一些paper入手，讲解目前细粒度图像分析的具体实现。

是基于深度学习的细粒度图像检索方法。在SCDA中，细粒度图像作为输入送入Pre-Trained CNN模型得到卷积特征／全连接特征，如下图所示。

区别于传统图像检索的深度学习方法，针对细粒度图像检索问题，作者发现卷积特征优于全连接层特征，同时创新性的提出要对卷积描述子进行选择。

不过SCDA与之前提到的Mask-CNN的不同点在于，在图像检索问题中，不仅没有精细的Part Annotation，就连图像级别标记都无从获取。这就要求算法在无监督条件下依然可以完成物体的定位，根据定位结果进行卷积特征描述子的选择。对保留下来的深度特征，分别做以平均和最大池化操作，之后级联组成最终的图像表示。

很明显，在SCDA中，最重要的就是如何在无监督条件下对物体进行定位。
通过观察得到的卷积层特征，如下图所示，可以发现明显的"分布式表示"特性。

对两种不同鸟类／狗，同一层卷积层的最强响应也差异很大。如此一来，单独选择一层卷积层特征来指导无监督物体定位并不现实，同时全部卷积层特征都拿来帮助定位也不合理。例如，对于第二张鸟的图像来说，第108层卷积层较强响应竟然是一些背景的噪声。

基于这样的观察，作者提出将卷积特征（HxWxD）在深度方向做加和，之后可以获得Aggregation Map（HxWx1）。

在这张二维图中，可以计算出所有HxW个元素的均值，而此均值m便是该图物体定位的关键：Aggregation Map中大于m的元素位置的卷积特征需保留；小于的则丢弃。

这一做法的一个直观解释是，细粒度物体出现的位置在卷积特征张量的多数通道都有响应，而将卷积特征在深度方向加和后，可以将这些物体位置的响应累积--有点"众人拾柴火焰高"的意味。

而均值则作为一把"尺子"，将"不达标"的响应处标记为噪声，将"达标"的位置标为物体所在。而这些被保留下来的位置，也就对应了应保留卷积特征描述子的位置。

实验中，在细粒度图像检索中，SCDA同样获得了最好结果；同时SCDA在传统图像检索任务中，也可取得同目前传统图像检索任务最好方法相差无几（甚至优于）的结果，如下图所示。

RA-CNN算法不需要对数据做类似bounding box的标注就能取得和采用类似bounding box标注的算法效果。在网络结构设计上主要包含3个scale子网络，每个scale子网络的网络结构都是一样的，只是网络参数不一样，在每个scale子网络中包含两种类型的网络：分类网络和APN网络。

数据流是这样的：输入图像通过分类网络提取特征并进行分类，然后attention proposal network（APN）网络基于提取到的特征进行训练得到attention区域信息，再将attention区域crop出来并放大，再作为第二个scale网络的输入，这样重复进行3次就能得到3个scale网络的输出结果，通过融合不同scale网络的结果能达到更好的效果。

针对分类网络和APN网络设计两个loss，通过固定一个网络的参数训练另一个网络的参数来达到交替训练的目的.

如下图所示，网络能够逐渐定位attention area，然后再将此区域放大，继续作为第二个scale网络的输入。

求一篇金刚石合成中怎样使粒度集中的论文

郑州华晶金刚石股份有限公司
首次公开发行股票并在创业板上市招股意向书

本次发行概况
发行股票类型 人民币普通股（A 股）
发行股数 3,800 万股，占发行后总股本25%
每股面值 1.00 元
每股发行价格 【】元
预计发行日期 2010 年3 月 17 日
拟上市的证券交易所 深圳证券交易所
发行后总股本 15,200 万股
本公司控股股东河南华晶超硬材料股份有限公司及实
际控制人郭留希、股东郑东亮及郭桂兰承诺：自本公司股票
上市之日起三十六个月内，不转让或者委托他人管理本次发
行前其直接或间接所持有的发行人股份，也不由发行人回购
该部分股份。
本公司其他股东承诺：自本公司股票上市之日起十二个本次发行前股东所持 月内，不转让或者委托他人管理本次发行前其所持有的发行有股份的流通限制、人股份，也不由发行人回购该部分股份。
股东对所持股份自愿 除此之外，直接或间接持有本公司股份的董事长郭留希
锁定的承诺 及董事郑东亮承诺自本公司股票上市之日起三十六个月后，
监事张召和副总经理杨晋中承诺自本公司股票上市之日起
十二个月后，在其任职期间每年转让其直接或间接持有的发
行人股份不超过该部分股份总数的25%，离职后六个月内不
转让其直接或间接持有的发行人股份；离职六个月后的十二
个月内转让其直接或间接持有的发行人股份不超过其该部
分股份总数的50%。
保荐人(主承销商） 招商证券股份有限公司
签署日期 2010 年2 月26 日
1-1-1-2
郑州华晶金刚石股份有限公司首次公开发行股票并在创业板上市申请文件 招股意向书
发行人声明
发行人及全体董事、监事、高级管理人员承诺招股意向书不存在虚假记载、误导性陈述或重大遗漏，并对其真实性、准确性、完整性承担个别和连带的法律责任。
公司负责人和主管会计工作的负责人、会计机构负责人保证招股意向书中财务会计资料真实、完整。
中国证监会、其他政府部门对本次发行所作的任何决定或意见，均不表明其对发行人股票的价值或投资者的收益作出实质性判断或者保证。任何与之相反的声明均属虚假不实陈述。
根据《证券法》的规定，股票依法发行后，发行人经营与收益的变化，由发行人自行负责，由此变化引致的投资风险，由投资者自行负责。
1-1-1-3
郑州华晶金刚石股份有限公司首次公开发行股票并在创业板上市申请文件 招股意向书
重大事项提示
一、本次发行前公司总股本 11,400 万股，本次拟发行 3,800 万股流通股，发行后总股本为 15,200 万股。本公司控股股东河南华晶超硬材料股份有限公司及实际控制人郭留希、股东郑东亮及郭桂兰承诺：自本公司股票上市之日起三十六个月内，不转让或者委托他人管理本次发行前其直接或间接所持有的发行人股份，也不由发行人回购该部分股份。
本公司其他股东承诺：自本公司股票上市之日起十二个月内，不转让或者委托他人管理本次发行前其所持有的发行人股份，也不由发行人回购该部分股份。
除此之外，直接或间接持有本公司股份的董事长郭留希及董事郑东亮承诺自本公司股票上市之日起三十六个月后，监事张召和副总经理杨晋中承诺自本公司股票上市之日起十二个月后，在其任职期间每年转让其直接或间接持有的发行人股份不超过该部分股份总数的 25%，离职后六个月内不转让其直接或间接持有的发行人股份；离职六个月后的十二个月内转让其直接或间接持有的发行人股份不超过其该部分股份总数的 50%。
承诺期限届满后，上述股份可上市流通和转让。
二、根据本公司2009 年第一次临时股东大会决议，若本公司首次公开发行股票并在创业板上市经中国证监会核准并得以实施，本公司在首次公开发行股票前滚存利润由首次公开发行并上市后的新老股东按持股比例共享。
三、基于当前经济形势和相关假设，本公司制定了未来三年的发展规划，但由于未来几年国际国内人造金刚石市场可能存在某些不确定因素，投资者不应排除公司根据经济形势变化和实际经营状况对本业务发展目标进行修正、调整和完善的可能性。
四、请投资者认真阅读本招股意向书“风险因素”一章的全部内容，并特别关注下列风险：
（一）市场竞争加剧带来的人造金刚石产品单价下滑风险
公司系专业从事人造金刚石研发、生产和销售的企业，尽管公司目前在行业中拥有技术领先的核心竞争优势，但由于近年来人造金刚石产品的生产技术和工艺水平不断提升，人造金刚石产品的销售价格出现下滑现象，市场竞争日趋激烈。
1-1-1-4
郑州华晶金刚石股份有限公司首次公开发行股票并在创业板上市申请文件 招股意向书
2007 年行业平均价格为0.45 元/克拉，2009 年下降至0.39 元/克拉。公司产品平均销售价格略高于行业平均价格，但也呈现下降趋势，从 2007 年的 0.51 元/克拉下降至 2009 年的 0.43 元/克拉。因此，预计未来人造金刚石的销售价格仍有下降的空间或出现波动的可能性，这将对公司的盈利能力产生不利影响。
（二）全球性金融危机引致的产品市场需求短期增长乏力风险
作为全球人造金刚石第一生产大国，2009 年我国人造金刚石产量达到 54 亿克拉，产销量已占全球总量的70%以上。随着国内人造金刚石生产技术进步及产品品级的提高，以及对人造金刚石应用研究的不断深化，人造金刚石应用领域不断扩大。在国内投资快速增长、基建规模扩大等因素有力拉动下，人造金刚石行业面临良好的外部经营环境，需求不断增加，自2001 年至2009 年，我国人造金刚石总产量增长了2.4 倍，年均复合增长率达到 16.4%。但是2008 年底美国金融危机突然袭来，并迅速蔓延至全球，使全球经济遭受重创。如果未来我国和世界经济持续放缓，宏观经营环境未出现有力改善，人造金刚石的市场需求将无法得到预期的增长，这将对公司产生一定的不利影响。
（三）产能迅速扩大带来的产品销售风险
公司 2009 年度人造金刚石产量为 4.02 亿克拉，而国内主要竞争对手河南黄河旋风股份有限公司和中南钻石股份有限公司产能均超过 15 亿克拉，公司在产销规模方面与上述企业存在一定差距。虽然近年来公司利用其技术领先优势迅速扩张，市场占有率逐年提高，但是仅仅依靠自身积累难以满足迅速占领市场份额的需要。因此，公司于2008 年9 月进行了增资扩股，引进三位投资者累计筹资9,120
万元，2008 年 12 月，公司新增银行长期借款7,000 万元。筹得资金为公司产能进一步扩张提供了保障，公司对现有设备陆续进行技术改造，2009 年度新增产能0.8
亿克拉，产能扩大至 4.2 亿克拉。一旦本次募集资金到位，公司将突破资金瓶颈的限制，新增产能 3.0 亿克拉。产能大幅扩张必然会对公司市场拓展和营销能力提出新的挑战。一旦市场环境发生重大变化或市场拓展不理想，公司将面临较大的产品销售风险。
（四）持续创新能力下降风险

粉碎粒度对蛋白质含量有何影响，例如20目，30目，40目50目

您好，粉碎粒度一般为物理粉碎，如同一块石头打碎，它的成分是不变的，所以对蛋白质的含量是没有什么大影响的。但是不同粒度的饲料或者医药在人体中溶解度，或者易吸收程度是有区别的。具体您可以参考百度文库里的这篇研究论文《
粉碎粒度与蛋白质溶解度关系研究
》

希望可以帮助到您，有相关问题可以继续向我提我。
《粒度分析，润之科技》为您解答。

论文：Hierarchical Bilinear Pooling for Fine-Grained Visual Recognition

细粒度的视觉识别具有挑战性，因为它高度依赖于各种语义部分的建模和细粒度的特征学习。基于双线性池的模型已被证明在细粒度识别方面是有效的，而以前的大多数方法忽略了层间部分特征交互和细粒度特征学习是相互关联、相互促进的这一事实。在本文中，我们提出了一个新的模型来解决这些问题。首先，提出了一种跨层的双线性池化方法来捕获层间零件特征关系，与其他基于双线性池化的方法相比，具有更好的性能。其次，我们提出了一个新的层次双线性池架构，整合多个跨层的双线性特征，以增强其表示能力。我们的公式是直观的，有效的，并取得了最先进的结果，在广泛使用的细粒度识别数据集。

细粒度分类中利用局部特征的方法有较大局限性。 因此，使用图像级标签的分类方法。例如，Simon和Rodner[26]提出了一个星座模型，利用卷积神经网络(convolutional neural network, CNN)来寻找神经激活模式的星座。Zhang等人[36]提出了一种自动细粒度图像分类方法，该方法结合了深度卷积滤波器来进行与部件相关的选择和描述。这些模型将CNN作为局部检测器，在细粒度识别方面取得了很大的改进。 与基于部件的方法不同，我们将不同卷积层的激活视为对不同部件属性的响应，而不是显式地对目标部件进行定位，而是利用跨层双线性池来捕获部件属性的层间交互，这被证明对细粒度识别非常有用。

也有研究[3,6,17,12]引入双线性池化框架对对象局部进行建模。虽然已经报告了一些有希望的结果，但进一步的改进还存在以下局限性。 首先，现有的基于双线性池的模型大多只将最后一个卷积层的激活作为图像的表示，不足以描述对象的各个语义部分。其次，忽略了中间的卷积活动，导致细粒度分类的判别信息丢失，而这些信息对于细粒度的视觉识别具有重要意义。

众所周知，CNNs在传播过程中存在信息丢失。 为了最大限度地减少对细粒度识别有用的信息损失，我们提出了一种新的层次双线性池结构来集成多个跨层的双线性特征，以增强其表示能力。为了充分利用中间卷积层的激活，在最终分类之前将所有跨层双线性特征连接起来。 注意，不同卷积层的特征是互补的，它们有助于鉴别特征学习。因此，该网络从层间特征交互和细粒度特征学习的相互增强中获益。我们的贡献总结如下： 1.我们开发了一种简单但有效的跨层双线性池技术，该技术同时支持层间特性交互和以相互增强的方式学习细粒度表示。 2.提出了一种基于跨层双线性池的分层双线性池框架，将多个跨层双线性模块集成在一起，从中间卷积层获取互补信息，从而提高性能。 3.我们对三个具有挑战性的数据集(幼鸟、斯坦福汽车、fgvc飞机)进行了综合实验，结果证明了我们方法的优越性

本文的其余部分组织如下。第二部分是对相关工作的回顾。第3节介绍了提出的方法。第4节提供了实验和结果分析，第5节给出了结论。

在接下来的文章中，我们将从与我们工作相关的两个有趣的角度简要回顾一下之前的工作，包括CNNs中的细粒度特征学习和特征融合。

1.为了更好地对细粒度类别的细微差异进行建模，Lin等人[17]提出了一种双线性结构，通过两个独立的CNNs来聚合成对的特征，该结构采用特征向量的外积来产生一个非常高维的二次展开特征。 等人利用张量勾画出[23]来近似二阶统计量并降低特征维数。 等人对协方差矩阵采用低秩近似，进一步降低了计算复杂度。 等人通过迭代地将张量草图压缩应用到特征上来聚合高阶统计量。 5.[22]的工作以双线性卷积神经网络为基线模型，采用集成学习的方法进行加权。 6.在[16]中，提出了矩阵平方根归一化，并证明了它是对现有归一化的补充。

但是，这些方法只考虑了单个卷积层的特征，不足以捕捉对象的各种判别部分，也不足以模拟子类别间的细微差别。我们提出的方法通过将层间特征交互和细粒度特征学习以一种相互增强的方式结合起来，克服了这一局限性，因而更加有效。

【3，7，19，33】研究CNN中不同卷积层的特征图有效性。 作者将每个卷积层作为不用对象部分的属性提取器，并以直观有效的方式对他们直降的交互进行建模。

在本节中，我们建立了一个层次双线性模型来克服上述限制。在提出我们的层次双线性模型之前，我们首先在3.1节中介绍了用于细粒度图像识别的分解双线性池的一般公式。在此基础上，我们在3.2节中提出了一种跨层的双线性池技术，联合学习不同卷积层的激活，捕获信息的跨层交互，从而获得更好的表示能力。最后，我们的层次双线性模型结合多个跨层双线性模块生成更精细的部分描述，以便更好地细粒度识别。

分解双线性池已被应用于视觉问题回答任务，Kim等人[11]提出了使用哈达玛乘积分解双线性池的多模态学习的有效注意机制。本文介绍了用于细粒度图像识别的分解双线性池技术的基本公式。假设一个图像I被CNN过滤了卷积层的输出特征图为X Rh w c，高h，宽w，通道c，我们将X上空间位置的c维描述符表示为X = [x1, x2，···，xc]T。

其中，Wi 为投影矩阵，Zi为双线性模型的输出。我们需要学习W = [W1,W2，···，Wo] ，得到一个o维输出z，根据[24]中的矩阵分解，Eq.(1)中的投影矩阵Wi可以分解成两个单秩向量

where Ui ∈ Rc and Vi ∈ Rc. Thus the output feature z ∈ Ro is given by

其中U Rc d和V Rc d是投影矩阵，P Rd o是类化矩阵，o是哈达玛积，d是决定节理嵌入维数的超参数。

细粒度的子类别往往具有相似的外观，只能通过局部属性的细微差异来区分，例如鸟类的颜色、形状或喙长。双线性池是一种重要的细粒度识别技术。然而，大多数双线性模型只关注于从单个卷积层学习特征，而完全忽略了信息的跨层交互作用。 单个卷积层的激活是不完全的，因为每个对象部分都有多个属性，这些属性对于区分子类别至关重要 。 实际上在大多数情况下，我们需要同时考虑零件特征的多因素来确定给定图像的类别。因此， 为了捕获更细粒度的部分特征，我们开发了一个跨层的双线性池方法，该方法将CNN中的每个卷积层视为部分属性提取器。 然后将不同卷积层的特征通过元素乘的方式进行集成，建立部分属性的层间交互模型。根据公式(3)可以改写为：

3.2节提出的跨层双线性池是直观有效的，在不增加训练参数的情况下，其表示能力优于传统的双线性池模型。这启发我们，利用不同卷积层之间的层间特征相互作用，有利于捕获细粒度亚层之间的鉴别部分属性。因此，我们扩展了跨层的双线性池来集成更多的中间卷积层，进一步增强了特征的表示速度。在这一节， 我们提出一个广义的分层双线性模型，通过层叠多个跨层的双线性池模块来合并更多的卷积层特性。 具体地，我们将跨层的双线性池模块划分为交互阶段和分类阶段，公式如下：

其中P为分类矩阵，U, V, S，…为卷积层特征向量x, y, z的投影矩阵，…分别。HBP框架的总体流程图如图1所示。

在本节中，我们将评估HBP模型在细粒度记录方面的性能。第4.1节首先介绍了HBP的数据集和实现细节。在第4.2节中进行了模型配置研究，以调查每个组件的有效性。与最新方法的比较载于第4.3节。最后，在4.4节中，定性可视化被用来直观地解释我们的模型。

数据集：cub200-2011【30】，StandFordcars【15】，FGVC-Aircraft【21】

实验：使用ImageNet分类数据集预训练的VGG-16基线模型评估HBP，删除最后三个全连接层，也可以应用到Inception和ResNet中，输入图像大小448。我们的数据扩充遵循常用的做法，即训练时采用随机抽样(从512 S中裁剪448 448，其中S为最大的图像边)和水平翻转，推理时只进行中心裁剪。我们先通过logistic回归对分类器进行训练，然后使用批量为16，动量为0.9，权值衰减为5 10 4，学习率为10 3的随机梯度下降法对整个网络进行微调，并定期进行0.5的退火。

跨层双线性池(CBP)有一个用户定义的投影维d。为了研究d的影响并验证所提框架的有效性，我们在cub200 -2011[30]数据集上进行了大量的实验，结果如图2所示。注意，我们利用FBP中的relu5 3、CBP中的relu5 2和relu5 3、HBP中的relu5 1、relu5 2和relu5 3得到了图2中的结果，我们还提供了以下图层选择的定量实验。在VGG-16[27]中，我们主要关注relu5 1、relu5 2和relu5 3，因为它们比较浅的层包含更多的部分语义信息。在图2中，我们将CBP的性能与一般分解的双线性池模型(即FBP)进行了比较。在此基础上，我们进一步探索了多层结合的HBP方法。最后，我们分析了超参数d的影响因素。从图2中我们可以得出以下重要结论： 首先，在相同的d下，我们的CBP明显优于FBP，这说明特征的层间相互作用可以增强识别能力。 其次，HBP进一步优于CBP，证明了中间卷积层激活对细粒度识别的有效性。这可以通过CNNs在传播过程中存在信息丢失来解释，因此在中间卷积层中可能丢失对细粒度识别至关重要的鉴别特征。与CBP相比，我们的HBP将更多的中间卷积层的特征相互作用考虑在内，因此具有更强的鲁棒性，因为HBP表现出了最好的性能。在接下来的实验中，HBP被用来与其他最先进的方法进行比较。 第三，当d从512到8192变化时，增加d可以提高所有模型的精度，HBP被d = 8192饱和。因此，d = 8192

然后，我们在cub200 -2011[30]数据集上提供定量实验来分析层的影响因素。表2的精度是在相同的嵌入维数下得到的(d = 8192)。我们考虑了CBP和HBP的不同层的组合。结果表明，该框架的性能增益主要来自层间交互和多层组合。由于HBP-3已经表现出了最好的性能，因此我们在4.3节的所有实验中都使用了relu5 1、relu5 2和relu5 3。

我们也比较了我们的跨层集成与基于超列[3]的有限元融合。为了进行公平的比较，我们将超列重新实现为relu5 3和relu5 2的特征连接，然后在相同的实验设置下进行分解双线性池(记作HyperBP)。从表3可以看出，我们的CBP得到的结果略好于拥有近1/2 pa- rameter的HyperBP，这再次表明我们的集成框架在捕获层间特征关系方面更有效。这并不奇怪，因为我们的CBP在某种程度上与人类的感知是一致的。与HyperBP算法相反，当对更多的卷积层激活[3]进行积分时，得到的结果更差，我们的HBP算法能够捕获中间卷积层中的互补信息，在识别精度上有明显的提高。

结果cub- 200 - 2011。CUB数据集提供了边界框和鸟类部分的地面真相注释。我们使用的唯一监督信息是图像级类标签。cub200 -2011的分类精度如表4所示。表按行分为三部分:第一部分总结了基于注释的方法(使用对象包围框或部分注释);第二种是无监督的基于零件的方法;最后给出了基于池的方法的结果。

从表4的结果中，我们可以看到PN-CNN[2]使用了人类定义的边界框和地面真实部分的强大超视觉。SPDA- CNN[35]使用ground truth parts, B-CNN[17]使用具有非常高维特征表示(250K维)的边界框。与PN- CNN[2]、SPDA-CNN[35]和B-CNN[17]相比，即使不考虑bbox和部分干扰，所提出的HBP(relu5 3 + relu5 2 + relu5 1)也能取得较好的效果，证明了我们模型的有效性。与STN[9],使用更强的初始网络作为基准模型,得到一个相对ac -助理牧师的身份获得3.6%的家庭血压(relu5 3 + relu5 2 + relu5 1)。我们甚至超越RA-CNN[5]和MA-CNN[37],最近提议最先进的无监督部分原因的方法,相对精度,分别为2.1%和0.7%。与基于pool的B-CNN[17]、CBP[6]、LRBP[12]基线相比，我们主要受益的是较好的结果特征的层间交互和多层的集成。我们还超过了BoostCNN[22]，它可以增强在多个尺度上训练的多个双线性网络。虽然HIHCA[3]提出了类似于用于细粒度识别的特征交互模型的思想，但是由于层间特征交互和鉴别特征学习的相互增强框架，我们的模型可以达到更高的精度。注意，HBP(relu5 3+relu5 2+relu5 1)表现优于CBP(relu5 3+relu5 2)和FBP(relu5 3)，说明我们的模型能够捕捉到各层之间的互补信息。

斯坦福汽车的结果。Stanford Cars的分类精度如表5所示。不同的汽车零部件是有区别的、互补的，因此在这里，客体和零部件的国产化可能起着重要的作用。虽然我们的HBP没有显式的零件检测，但是在目前最先进的检测方法中，我们的检测结果是最好的。基于层间特征交互学习，我们甚至比PA-CNN[13]提高了1.2%的相对精度，这是使用人工定义的边界框。与无监督的基于零件的方法相比，我们可以观察到明显的改善。我们的HBP也优于基于池的方法BoostCNN[22]和KP[4]。

结果FGVC-Aircraft。由于细微的差异，不同的飞机模型很难被识别，例如，可以通过计算模型中的窗口数来区分它们。表6总结了fgvc飞机的分类精度。尽管如此，我们的模型仍然达到了最高水平所有方法中分类精度最高。与基于注释的MDTP[32]方法、基于部分学习的MA-CNN[37]方法和基于池的BoostCNN[22]方法相比，我们可以观察到稳定的改进，这突出了所提出的HBP模型的有效性和鲁棒性。

为了更好地理解我们的模型，我们在不同的数据集上可视化微调网络中不同层的模型响应。我们通过计算特征激活的平均幅度来得到激活图通道。在图3中，我们从三个不同的数据集中随机选取了一些图像，并将其可视化。 所有的可视化结果都表明，所提出的模型能够识别杂乱的背景，并倾向于在高度特定的场景中强烈地激活。项目1、项目2、项目3中突出的激活区域与幼仔头部、翅膀、胸部等语义部分密切相关;汽车前保险杠、车轮和车灯;飞机座舱、尾翼稳定装置和发动机。这些部分是区分类别的关键。更重要的是，我们的模型与人类感知高度一致，在感知场景或物体时解决细节问题。从图3可以看出，反褶积层(relu5 1, relu5 2, relu5 3)提供了目标对象的粗略定位。在此基础上，投影层(project5 1、project5 2、project5 3)进一步确定物体的本质部分，通过连续的交互和不同部分特征的整合来区分其类别。过程符合人类感知的而且性质[20]受完形格言:整个前部分,它还提供了一个直观的解释为什么我们的框架模型的分类不明确的部分检测和地方差异。

本文提出了一种分层的双线性池化方法，将层间交互和鉴别特征学习相结合，实现了多层特征的细粒度融合。提出的网络不需要边界框/部件注释，可以端到端的训练。在鸟类、汽车和飞机上的大量实验证明了我们的框架的有效性。未来，我们将在两个方向展开拓展研究。，如何有效地融合更多的层特性来获得多尺度的零件表示，以及如何合并有效的零件本地化方法来学习更好的细粒度表示。

初谈粒化高炉矿渣立式磨预粉磨技术应用建筑工程论文

初谈粒化高炉矿渣立式磨预粉磨技术应用建筑工程论文

摘 要：随着我国工业生产技术的不断发展，各种各样的工粒化高炉矿渣生产方式受到了人们的越来越多的关注。粒化高炉矿渣作为混凝土和水泥中的重要组成部分，在生产粒化高炉矿渣的过程中，往往要考虑混凝土和水泥的实际应用来选择生产工艺。众所周知，混凝土的组合情况关系着混凝土的黏性、稳定性等重要性质，因此，在生产粒化高炉矿渣的过程中，关于磨粉技术的选择与应用，需要综合多种技术的应用情况来进行选择。在本次的研究中，首先对粒化高炉矿渣的基本特点进行简单的分析，然后结合实际生产应用，探究立式磨磨预粉磨技术在粒化高炉矿渣生产中的应用。

关键词：粒化高炉矿渣；立式磨粉技术；应用

近年来，粒化高炉矿渣生产技术的研究已经受到了较多的关注。高炉的生产技术水平直接影响着整个企业的冶炼水平，而高炉的生产水平则直接受到技术手段实施情况的影响。在高炉生产水平受到影响后，生产的矿渣也情况随之而受到影响，需要重点内高炉生产中的技术手段进行分析，并积极做好高炉维修保护等基本工作。在维修保养的同时还要根据不同的高炉市场环境及经济要求，选择正确适宜的磨粉技术，真正意义上实现立式磨粉生产粒化高炉矿渣的高效率、高质量。

1 粒化高炉矿渣

随着社会经济的不断进步，粒化高炉矿渣的应用也越来越广泛，粒化高炉矿渣已经逐渐成为水泥、混凝土中的重要成分之一。粒化高炉矿渣是在高炉冶炼生铁时，所得以硅酸盐与硅铝酸盐为主要成分的熔融物，然后经过淬冷成粒后生成的。粒化高炉矿渣在应用中具有较多的优势，粒化高炉矿渣活性指数高，比表面积在400左右或以上，低热，低碱，在混凝土施工中作为矿物掺合料，可等量代换水泥，降低成本，提高质量，更重要的是解决了一些重大工程施工中高热，高碱，裂缝等技术难题。

粒化高炉矿渣作为水泥、混凝土中的重要组成材料，一直在建筑施工中发护着重要作用。粒化高炉矿渣的生产也成为了人们重点关注的内容之一，有学者认为，在生产粒化高炉矿渣的过程中，对于粉体材料，在实际配制混凝土时，会考虑到由于粉体表面积的增加可能导致胶凝材料的需水量增加，继而对混凝土工作性产生影响。同时，粒化高炉矿渣的产也开始涉及到许多细节问题，比如限制玻璃体的含量。这是为了限制矿渣粉在加工过程中掺入其他工业废渣或大量掺加无机盐，对水泥和混凝土性能产生危害。

2 立式磨预粉磨技术

立式磨预粉磨技术主要通过立式磨粉机来实现，立式磨粉机中，主要结构由分离器、磨辊装置、磨盘装置、加压装置、减速机、电动机、壳体等部分组成，其中，分离器是决定磨粉产品粗细度的重要部件，它由可调速的传动装置、转子、导向风叶、壳体、粗粉落料锥斗、出风口等组成，是一种高效、节能、快捷的选粉装置。磨辊是对物料进行碾压粉磨的主要部件。它被装在磨机的弯臂上，在外力的作用下，紧压在磨盘的物料上，在磨盘的带动下，磨辊随之转动，从而使物料被碾压而粉碎。

而从目前的立式磨粉技术应用情况来看，虽然立式磨辊压机虽然产能高电耗低，但是其微粉磨技术还不成熟，很难达到水泥的粉磨细度要求。这是因为水泥比表面积一般也要达到350左右，细的有的要达到380左右，因为细度低的话水泥强度得不到发挥，需要增加熟料配比，配料成本会上升，球磨机可以达到产品要求，而且相对稳定，但是立式磨和辊压机虽然产能高电耗低，其微粉磨技术还不成熟，很难达到水泥的粉磨细度要求，所以暂时国内还基本没有真正用辊压机和立磨做终粉磨的，国外虽然有，但是技术也不算成熟。关于立式磨粉技术在粒化高炉矿渣生产中的应用还需要不断加以完善。

3 立式磨预粉磨技术在粒化高炉矿渣生产中的应用

立式磨预粉磨技术在粒化高炉矿渣生产中的应用，是当今高炉冶炼工业中备受重视的一点，高炉冶炼过程中的对技术手段的选择直接影响着最终的产量和经济效益，也是实现能源的可持续化发展的重要一点。立式磨粉技术在粒化高炉矿渣生产中的`应用不仅仅是技术上的问题，更多的是在技术手段是体现出更多的节能环保意识。

3.1 立式磨预粉磨技术生产粒化高炉矿渣的运作原理

通常情况下，在立式墨粉机启动后，在立式磨粉机正常工作时，电动机通过减速机带动磨盘转动，物料经锁风喂料器从进料口落在磨盘中央，同时热风从进风口进入磨内。随着磨盘的转动，物料在离心力的作用下，向磨盘边缘移动，经过磨盘上的环形槽时受到磨辊的碾压而粉碎，粉碎后的物料在磨盘边缘被风环高速气流带起，大颗粒直接落到磨盘上重新粉磨，气流中的物料经过上部分离器时，在旋转转子的作用下，粗粉从锥斗落到磨盘重新粉磨，合格细粉随气流一起出磨，通过收尘装置收集，即为产品，含有水分的物料在与热气流的接触过程中被烘干，通过调节热风温度，能满足不同湿度物料要求，达到所要求的产品水分。此外，还能够通过调整分离器这一方法，来实现不同粗细度粒化高炉矿渣的生产。

3.2 立式磨预粉磨技术生产粒化高炉矿渣的主要特点

立式磨粉技术生产粒化高炉矿渣的主要特点有：（1）投资费用低。要实现立式磨粉技术，其中涉及到的破碎、干燥、粉磨、分级输送等工作，可以直接通过一台立式磨粉机来完成，所需的投资得到了较好的控制；（2）磨粉效率高：采用磨辊在磨盘上直接碾压磨碎物料，能耗低，整体的工作效率较高，甚至比同类型的生产技术（比如球磨生产技术）要节能30%～40%；（3）产品质量稳定：在生产粒化高炉矿渣的过程中，由于物料在磨内停留时间短，易于检测和控制产品粒度及化学成分，减少重复碾磨，并且大多数的立式磨粉机装备有防止辊套和磨盘衬板直接接触的装置，避免了破坏性冲击和剧烈震动，进一步稳定产品质量。

参考文献

[1] 杜鑫，聂文海，邢建海等.TRM型立式辊磨粉磨高比表面积矿渣粉的生产实践[J].中国水泥，2014，19（08）：79-80.

[2] rdt，Pfeiffer AG.用MPS 5600 BC型立磨生产超细高炉矿渣粉的运行结果[A].2009国内外水泥粉磨新技术交流大会论文集[C].2009：241-244.

[3] lia，（a）nder-Woywadt，m等.第一台3+3系统莱歇磨粉磨水泥熟料和高炉矿渣的操作经验[J].中国水泥，2009，18（12）：61-64.

[4] 李培彦，陈贯卓.基准水泥对高炉矿渣粉活性指数影响的研究[J].山东科学，2012，20（05）：61-63.

[5] 赵旭光，蔡小梦，赵三银等.高炉矿渣粉粒度分布与粉体特性关系的研究[J].韶关学院学报（自然科学版），2013，28（09）：72-76.

[6] 赵鹏飞，徐晨星，赵伟等.LM56.2+2S矿渣立磨耐磨材料的选择及运用效果分析[A].第六届中国水泥工业耐磨技术研讨会论文集[C].2013：203-212.