【摘 要】
：
土地利用方式影响土壤有机质平衡和周转。选取南京信息工程大学农业气象实验站长期定位试验的3种利用方式土壤：水稻小麦轮作（稻麦）、大豆小麦轮作（豆麦）和自然植被（休闲），作为研究对象。将土壤筛分团聚体和进行密度分组，测定全土有机质含量和~(13)C丰度，各组分有机质含量，计算全土有机质更新率和半衰期，以揭示土地利用方式对土壤有机质含量及稳定性的影响。结果表明：与休闲处理相比，稻麦轮作对全土有机质含量无
论文部分内容阅读
土地利用方式影响土壤有机质平衡和周转。选取南京信息工程大学农业气象实验站长期定位试验的3种利用方式土壤：水稻小麦轮作（稻麦）、大豆小麦轮作（豆麦）和自然植被（休闲），作为研究对象。将土壤筛分团聚体和进行密度分组，测定全土有机质含量和~(13)C丰度，各组分有机质含量，计算全土有机质更新率和半衰期，以揭示土地利用方式对土壤有机质含量及稳定性的影响。结果表明：与休闲处理相比，稻麦轮作对全土有机质含量无明显影响，而豆麦轮作降低了全土有机质含量。稻麦轮作促进微团聚体粘结形成大团聚体，增加了土壤团聚体的平均重
其他文献
生成对抗网络已经广泛应用于图像去雾领域。不同于卷积神经网络去雾模型，生成对抗网络的计算和存储成本较高，很难应用于移动设备，而传统的网络压缩方法侧重于视觉识别任务，而非图像生成任务。为了解决这个问题，受到知识蒸馏的启发，提出一种基于生成对抗网络和知识蒸馏的去雾方法。通过提炼原重型教师网络生成器的低、高级信息，将知识迁移到具有较少权值参数的轻量型学生网络生成器中，并训练学生网络以更快的收敛速度达到与教
枝干光合是确实存在、但长期不被重视的植物碳获取的方式之一，可以帮助植物在极端环境下维持最基本的生理活动。本研究以白杨（Populus tomentosa）和小叶锦鸡儿（Caragana microphylla）为对象，枝干光合采用同化箱与CO_(2)/H_(2)O红外气体分析仪相结合的方法对植物枝干光合进行观测；叶片光合采用LI-6400观测，结合枝干经济和光学功能性状，阐明植物枝干光合作用的规律
针对交通标志尺度变化大导致检测精度低的问题，本文提出一种改进CenterNet的交通标志检测算法。采用ResNeSt50作为主干特征提取网络，引入PSConv(Ploy-Scale Convolution)改进网络卷积层结构。设计多尺度感受野模块，对ASPP(Atrous Spatial Pyramid Pooling)选取合适的膨胀率，利用注意力机制优化模块输出，提升对不同尺度标志的检测能力。在
针对保险丝线圈字符在采集过程中曝光过度含有大量的噪声以及线圈字符被压缩情况，使用投影法结合字符先验知识进行字符分割，并将膨胀之后的清晰字符用于LeNet网络识别。在识别中，首先将线圈中每个字符进行标注训练，使用改进的Faster R-CNN定位作识别，改进的部分为替换Backbone、寻找最佳Anchor参数、将RoI Pooling替换成RoI Align和设计损失函数。对比未改进网络和其他网络
在秦俑保护领域，为了降低秦俑碎片匹配及拼接的工作难度，更多的计算机辅助技术应用在破碎秦俑复原工作中核心环节的碎片分类。针对传统的秦俑碎片分类方法对碎片特征提取不充分以及秦俑碎片数据采集难度较高等问题导致的分类准确率低下。本文提出了一种基于数据增强的秦俑碎片深度分类模型。首先，通过条件生成式对抗网络对现有秦俑碎片数据集进行数据增强，实现秦俑数据集的扩充。其次，通过深度卷积神经网络自动且有效充分地提取
针对图像检索方法中二阶注意力模块使用全局特征之间的联系所生成的特征存在大量冗余信息，以及集成机制中各分支不能充分训练的问题，提出一种基于多注意力集成的图像检索方法.首先，该方法利用在图像分类任务中表现良好的独立自注意力模块捕捉局部特征之间的联系，生成质量更高的特征以用于图像检索.其次，该方法提出一个多注意力集成框架，在各注意力分支中分别利用独立自注意力模块产生相应的高效图像特征，并通过有效结合产生
本文提出了一种新的基于卷积神经网络(CNN)和加权最小二乘法(WLS)的医学图像融合算法. 算法主要步骤如下: 首先， 利用滚动导向滤波(RGF)和高斯滤波(GF)构成的混合多尺度分解工具将源图像分解为基础层和一系列细节层， 从而能够更好地保留尺度信息和边缘信息. 其次， 基于卷积神经网络给出基础层融合规则， 该规则能够更好地提取图像特征， 使融合图像能够很好继承源图像结构信息、能量信息和强度信息
本文针对边缘智能设备低功耗，轻算力的要求，采用了新型存算一体器件-忆阻器作为基础电路元件，设计了低功耗、图像识别电路。该电路采用多个忆阻卷积层和忆阻全连接网络串联的方式，获得了较高的识别精度。为了减小忆阻卷积层计算所需的忆阻交叉阵列的行尺寸和列尺寸的不平衡，同时降低输入电压方向电路的功耗，将输入电压反相器置于忆阻交叉阵列之后。该电路可以将完成忆阻卷积网络运算所需的忆阻交叉阵列的行大小从2M+1减少
一张排水管道图像中可能同时存在变形、渗漏等多种缺陷。针对现有卷积神经网络（convolutional neural network,CNN）忽略标签关系，难以准确检测多标签管道图像的问题，引入图卷积网络（graph convolutional network,GCN）建模不同缺陷标签的关系,提出基于改进标签图的GCN管道缺陷检测模型（improved label graph GCN,ILG-GCN
近年来，行人属性识别得益于深度学习的蓬勃发展也得到了广泛的研究。但是由于属性复杂且多样化、图像质量差、视角遮挡等困扰，难以捕获图像中的细粒度属性特征，具有很大的挑战性。基于深度学习，我们提出了多尺度残差注意网络（MRAN）用于行人属性识别，以Resnet50为主体架构，使用轻量级的金字塔卷积提供不同内核大小的并行卷积完成多尺度信息的提取，嵌入注意力模块以关注属性存在的关键区域并挖掘属性内部联系；其