We have investigated the electronic structure of graphene under different planar strain distributions using the first-principles pseudopotential plane-wave method and the tight-binding approach. We found that graphene with a symmetrical strain distribution is always a zero band-gap semiconductor and its pseudogap decreases linearly with the strain strength in the elastic regime. However, asymmetrical strain distributions in graphene result in opening of band gaps at the Fermi level. For the graphene with a strain distribution parallel to C-C bonds, its band gap continuously increases to its maximum width of 0.486 eV as the strain increases up to 12.2%. For the graphene with a strain distribution perpendicular to C-C bonds, its band gap continuously increases only to its maximum width of 0.170 eV as the strain increases up to 7.3%. The anisotropic nature of graphene is also reflected by different Poisson ratios under large strains in different directions. We found that the Poisson ratio approaches to a constant of 0.1732 under small strains but decreases differently under large strains along different directions.

Although deep learning-based object detection methods have achieved superior performance on conventional benchmark datasets, it is still difficult to detect objects from low-resolution (LR) images under diverse degradation conditions. To this end, a two-stage enhancement method for the LR image object detection (TELOD) framework is proposed. In the first stage, an extremely lightweight task disentanglement enhancement network (TDEN) is developed as a super-resolution (SR) sub-network before the detector. In the TDEN, the SR images can be obtained by applying the recurrent connection manner between an image restoration branch (IRB) and a resolution enhancement branch (REB) to enhance the input LR images. Specifically, the TDEN reduces the difficulty of image reconstruction by dividing the total image enhancement task into two sub-tasks, which are accomplished by the IRB and REB, respectively. Furthermore, a shared feature extractor is applied across two sub-tasks to explore common and accurate feature representations. In the second stage, an auxiliary feature enhancement head (AFEH) driven by high-resolution (HR) image priors is designed to improve the task-specific features produced by the detection Neck without any extra inference costs. In particular, the feature interaction module is built into the AFEH to integrate the features from the enhancement and detection phases to learn comprehensive information for detection. Extensive experiments show that the proposed TELOD significantly outperforms other methods. Specifically, the TELOD achieves mAP improvements of 1.8% and 3.3% over the second best method AERIS on degraded VOC and COCO datasets, respectively.