基于优化的ICNet高分遥感影像城市建成区分类

城市建成区是一类具有大面积的组合型目标群体，该区域地物丰富，光谱特征复杂多变，且具有大量的同物异谱与地物像素单元交错等现象，影像分类难度显著增加。针对图像级联网络（image cascade network，ICNet）计算复杂、分类精度低的问题，采用优化的ICNet对高分辨率遥感影像城市建城区地物分类进行研究，通过添加高效通道注意力机制（efficient channel attention，ECA）和联合金字塔上采样模块（joint pyramid upsampling，JPU）替换空洞卷积来获得ICNet改进网络，采用总体分类精度（overall accuracy，OA）、Kappa系数与F13个指标对分类结果进行精度评估，并与随机森林（random forest，RF）、ENet和ICNet3种方法进行对比分析。结果表明，优化的ICNet网络模型能够更准确的进行地物分类，总体分类精度为75.12%，相较于其他分类方法分别提高16.56%、10.48%和4.81%。后用开源数据集进一步验证了优化模型的有效性，说明优化的ICNet网络可用于城市建成区的分类研究。     

基于深度学习的温室大棚实例识别及模型迁移

温室大棚实例提取在蔬菜种植面积测算和产量估计等方面具有重要意义。该研究以高效准确地识别大尺度范围内温室大棚实例为目标，提出了一种基于卷积神经网络和形态学后处理的“区域-边界”实例提取方法，以及单纯迁移模式、尺度适应模式、模型微调模式3种不同的迁移模式。试验结果表明，利用UNet网络构建“区域-边界”多分类模型识别温室大棚实例效果最优（实例召回率达到91.05%）。形态学后处理操作能够进一步优化温室大棚实例提取结果（单元交并比相比于操作前提高10.53个百分点）。探讨了3种模型迁移模式应用在不同场景时的表现，迁移效果由高到低依次为模型微调模式（实例召回率为87.93%）、尺度适应模式（实例召回率为41.72%）、单纯迁移模式（实例召回率为24.15%）。基于“区域-边界”实例提取方法并根据预测区域和训练区域的场景差异选择不同的迁移模式可以快速精准地识别大尺度范围内温室大棚实例，为农业设施的智能化建设提供信息支撑。     

论近代汉语词汇的消长——以“拿云”一词为例

“拿云”一词是近代汉语新产生的词汇，具有典型的动词性特点，其内部构造具有明显的动宾关系，可以充当定语、状语、宾语、谓语等成分。该词的语用风格具有典雅性，结构具有凝固性；其夸张义、比喻义也比较明显。该词的产生具有深厚的认知基础，具体表现为：基于隐喻的词义引申、语言的陌生化原则和基于构式“拿+X”的扩充。“拿云”的词汇化始于语言的重新分析机制，历程是错综复杂的。“拿云”的词汇化历程体现了部分近代汉语词汇的演变轨迹。     

古农文语义检索模型构建及其应用研究

[目的/意义]构建能实现以白话文作为查询，系统自动返回与输入最相关的古农文段落的语义检索模型，为学者提供更加便利的古代农业知识检索方式和古代农业知识溯源方式。[方法/过程]使用基于四库全书作为训练语料的Siku BERT作为基础模型，基于对比学习的方法，使用自建的古农文数据集对模型进行继续训练，得到能够支持使用白话文作为查询，返回与查询语义最相似的古农文段落的语义检索模型。[结果/结论]古农文语义检索模型的Spearman系数在测试集上的表现能够达到86.51%，较基线模型在测试集上的表现83.69%有一定程度的提升，在自建的古农文检索测试集上的召回情况（recall@k）较基线模型有一定程度提升，模型在古农文上能够有比较好的检索效果。但受限于古农文训练语料规模，模型的训练效果还有很大提升空间。     

基于改进的Deep Lab V3+网络模型的杂交水稻育种父母本语义分割研究

为解决杂交水稻育种授粉过程中父母本区分的精确性和实时性问题，本研究提出一种基于全卷积神经网络的、改进的DeepLabV3+杂交水稻育种父母本区分的语义分割模型。采用轻量化的主干网络Mobile Net V2结构替换原Deep Lab V3+的主干网络Xception结构，使之更适用于移动设备，并提出一种联系较为紧密的低层特征信息提取方法，将较低层次信息和较高层次信息初步融合作为原低层次信息的输入，使网络获得更加密集的信息，从而增强网络对于细节的提取能力。结果表明，改进的Deep Lab V3+网络模型较原Deep Lab V3+网络模型具有更高的杂交水稻制种父母本分割精度，并能够减少模型训练和图片预测时间。将改进后的Deep Lab V3+网络模型与其他主流网络和先进网络模型对比发现，各项参数精度均有所提高。本研究为深度学习在农业视觉机器人领域中的发展提供了参考。     

利用边缘辅助分割网络提取稻虾共作养殖田

为确保稻虾共作的安全生产、社会供应以及政府政策的有效制定，须准确获取稻虾共作种植面积、空间分布及变化信息。现有稻虾养殖田提取方法以中分辨率时序影像为数据源，提取结果存在边界粗糙且噪声较多等问题。为获取精度高、边界规整的稻虾养殖田提取结果，该研究以高分辨率影像为数据源，提出一种基于边缘辅助任务的深度学习语义分割模型——edge assisted segmentation network（EASNet）。该模型首先将稻虾养殖田特有的边缘“虾沟”作为一种辅助信息在设计的边缘辅助模块单独分割，然后将该模块的输出与主任务分割模块输出进行融合，使主任务既增强了稻虾养殖田边界结构信息，又能学习到稻虾养殖田特有的空间及语义信息。试验结果表明，在边缘辅助模块的增强下，稻虾养殖田分割结果更完整，边界更清晰，其语义精度的交并比和边界精度的F1分数分别提升了1.5%、5.8%。整体语义精度的召回率、交并比、F1分数分别达到0.970、0.964、0.930，边界精度的召回率、F1分数达到0.864、0.859，松弛边界精度的召回率、F1分数达到0.876、0.913。将训练好的EASNet模型应用到盱眙县全域，得到2020年盱眙县稻虾养殖田空间分布图，在与传统的水体季相差异法、随机森林方法提取的稻虾养殖田结果的对比中，该方法取得了总体精确度为96.71%及Kappa系数为0.934的最优结果，为基于深度学习的稻虾养殖田提取方面的应用提供参考。     

CNN-ISS遥感影像分类的瓦片边缘效应及消除方案

应用卷积神经网络语义分割模型(Image Semantic Segmentation based on Convolutional Neural Network,CNN-ISS)进行遥感影像分类时,需将大幅影像分解为特定大小瓦片影像,并将其作为CNN-ISS处理对象,这一过程破坏了位于瓦片边缘处地物的完整几何及纹理特征,从而影响瓦片边缘处地物的识别效果,即瓦片边缘效应。该研究以DeepLab V3为CNN-ISS核心模型,对唐山农村地物进行语义分割,定量分析了分类结果的瓦片边缘效应,并提出了5个消除此效应的后处理方案。结果表明:像素分类精度与像素到瓦片边缘距离正相关,瓦片边缘处错误率最高达6.93%,中央处错误率最低为3.52%,存在瓦片边缘效应;采用该研究提出的瓦片边缘效应消除方案后,整幅影像的总精度(Pixel Accuracy,PA)、均交并比(Mean Intersection over Union,mIoU)和Kappa系数均有提升,最高分别提升0.40、1.97个百分点和0.0122。在不改变CNN-ISS核心模型条件下,通过该研究的瓦片边缘效应消除后处理方案,可有效提升遥感影像分类精度,尤其针对复杂异构体和线状地物精度提升效果更好。     

基于改进Linknet网络的黄土高原苹果园精准提取

黄土高原近20年来苹果栽植面积迅猛增加，对区域生态水文和社会经济发展均产生了重要影响。但该区域果园地块小且场景复杂，仅有县/市尺度统计数据，尚无苹果园实际的空间分布信息。为此，本研究建立了无人机低空遥感影像专业数据集。融合迁移学习与深度学习方法，将残差神经网络ResNet34网络迁移到Linknet网络，得到R_34_Linknet网络。将R_34_Linknet网络与5种常用的深度学习语义分割模型SegNet、FCN_8s、DeeplabV3+、UNet和Linknet应用于黄土高原苹果园空间分布提取，表现最好的模型为R_34_Linknet，其在测试集上的调和平均值F₁为87.1%，像素准确度PA为92.3%，均交并比MIoU为81.2%，频权交并比FWIoU为85.7%，平均像素准确度MPA为89.6%。将空间金字塔池化结构（Atrous Spatial Pyramid Pooling，ASPP）与R_34_Linknet网络相结合，扩大网络的感受野，得到R_34_Linknet_ASPP网络；然后对ASPP结构进行改进，得到R_34_Linknet_ASPP+网络。对比三种网络性能，表现最优的为R_34_Linknet_ASPP+，在测试集上F₁为86.3%，PA为94.7%，MIoU为82.7%，FWIoU为89.0%，MPA为92.3%。使用R_34_Linknet_ASPP+在长武县王东沟和白水县通积村提取苹果园面积精度分别为94.22%和95.66%。本研究提出的R_34_Linknet_ASPP+方法提取到的苹果园更加准确，苹果园地块边缘处效果更好，可作为黄土高原苹果园空间分布制图等研究的技术支撑和理论依据。     

基于改进语义分割模型的无人机多光谱图像杂草分割

杂草与作物争夺肥料、阳光等养分，从而影响作物生长，快速有效地清除杂草危害对提高作物的产量和品质具有重要意义。传统的杂草防治方法常采取大面积喷洒除草剂等措施，无法满足智慧农业的精细化管理要求，精确、可靠的杂草检测是智能除草的关键。在卷积神经网络模型PANet的基础上进行改进，把原始特征提取网络ResNet替换为DenseNet-121,采用FPA模块提供像素级注意力信息，通过金字塔结构增加感受野。以无人机多光谱糖菜杂草图像为研究对象，分别构建近红外790 nm、红色690 nm和归一化植被指数NDVI的训练数据集进行网络训练。发现PANet的训练精度为97.38%,测试精度为93.41%;采用3通道（近红外790 nm+红色690 nm+NDVI）训练的模型F₁值最高为0.872。结果表明，该方法可以实现无人机多光谱图像杂草的有效分割，可为农田杂草精确检测和农作物生长状况监测提供参考和借鉴。     

公众对景观设计符号的语义感知——以上海杨浦滨江和后滩公园为例

符号表意作为一种文化现象贯穿于古今中外的风景园林设计实践。当前对景观符号的研究常采用语言学研究范式,多停留于范式总结的理论层面。文章基于对皮尔斯符号学思想的研究,通过探究景观语义传达机制,提取感知中介这一景观符号语义传达的关键概念,厘清其可能的3种作用方式,揭示影响设计者与读者间语义传达一致性的内在动因,并选取上海杨浦滨江及后滩公园的经典景观符号进行实证演绎,为景观符号学研究提供方法论的有益探索。