研究多芯片组件互连延迟的一种新方法

延迟与冲激响应的矩有密切的关系,文中给出了建立在前三个矩基础上的多芯片组件互连延迟模型。该模型揭示了非单调输出树状结构ＭＣＭ互连网络的延迟与各设计参数之间的明确关系,因此它可以作为一种计算延迟的有效方法。进一步的研究结果还给出了输出响应与各设计参数之间的关系式,因此该模型又为研究面向性能的布局、布线算法中的有关问题提供了一种解决的途径。     

砂质潮土区冬小麦成穗规律及增穗途径

在粗砂质潮土上设置田间试验并进行观测。结果表明,砂质潮土区冬小麦具有较强的分蘖能力,可达到高产水平所需的群体头数,但其分蘖下降死亡快,成穗率低。在小麦生长前期施用较高水平氮肥也不能满足小麦后期生长需求,而加强起身—拔节期的肥水管理是该区增加单位面积穗数的主要途径。     

基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。     

基于非局部感知网络的运动目标跟踪方法

针对跟踪运动目标过程中网络对目标被遮挡或目标周围存在干扰物敏感，从而导致不可靠的响应位置和错误跟踪框的问题，提出一种基于深度学习的免锚框孪生卷积网络跟踪方法。首先，通过非局部感知网络来学习目标引导的特征权重，该权重用于细化目标模板分支和搜索分支的深度特征，以监督的方式利用两个分支特征的远程依赖性，从而有效抑制噪声干扰。其次，进一步开发一个包围框感知块将多维回归特征与跟踪质量相关联，这个模块加强目标模板分支和搜索分支之间的相互作用，提高网络定位准确性。在标准数据集上的实验结果表明，所提方法能实时跟踪目标，并在准确度上获得提升。     

基于交叉通道注意力的目标跟踪方法

针对跟踪目标被遮挡或者目标周围存在敏感干扰物，从而导致前景背景分类错误和边界框预测错误的问题，提出了一种基于交叉通道注意力的无锚框的目标跟踪方法。首先使用交叉通道注意力对特征提取部分的最后三层输出进行通道增强，利用模板特征和搜索特征中目标的相似性，整合所有通道特征的相关性，从而选择性的对目标特征的通道的增强。之后使用加权求和的方式进行特征融合，使用浅层特征和深层特征融合提高分类精度和定位的准确度。最后使用位置注意力对分类特征图进行全局编码，再次增强分类特征图的特征，提高网络对目标的定位准确性。实验结果表明，提出的算法在OTB100数据集上取得了85.5%的准确率和64.1%的成功率，在UAV20L数据集上取得了70.5%的准确率和56.0%的成功率。     

水中硫化物的测定

依据国标HJ 1226-2021《水质硫化物的测定亚甲基蓝分光光度法》,分别采用2种前处理设备对水中的硫化物含量进行了测定，检出限分别为0.008 mg/L、0.009 mg/L;测定下限为0.032 mg/L、0.036 mg/L;精密度分别为：2.1%,3.3%,4.3%和3.0%,1.1%,2.4%。结果显示：2种设备均具有检出限低，正确度高，精密度好，一次可以检测多个样品，大大提高了工作效率，对水中硫化物前处理设备的选择提供了参考依据。     

基于无锚框的孪生网络目标跟踪改进算法

视觉目标跟踪在车辆、人机交互以及监控等领域应用广泛,虽然近年来取得了很大的进展,但是在跟踪过程中,仍然存在许多的干扰因素。针对跟踪过程存在目标尺度和长宽的比例会随着目标或跟踪设备的变化而变化以及背景干扰的问题,设计了一种基于无锚框的孪生神经网络的跟踪方法。首先,改进了特征提取网络,提高了跟踪的准确性。其次,增加了非局部感知网络,能够更好地利用模板和搜索分支更深度的特征。对于分类来说,增加了选择分支,用于抑制较低的得分,选择更高更准确的得分,从而能够进行更好的回归预测。其采样策略也不同于之前的网络,并对损失部分进行了优化。在对网络进行整体的训练及实验之后,该算法能够很好地跟踪目标,提高了跟踪的成功率和精确度。