为了提高网络对高空间分辨率遥感影像多尺度建筑物的提取效果,在编码-解码网络的基础上提出了一种高效的尺度自适应全卷积网络。首先,构建多输入多输出结构,实现多尺度特征融合和跨尺度特征聚合。然后,用残差金字塔池化模块学习深层自适应多尺度特征。最后,用基于残差密集连接的聚合特征精化模块进一步处理初始聚合特征,利用不同尺度特征图的像素依赖关系提升分类精度。在差异较大的WHU航空数据集和Massachusetts数据集上的实验结果表明,相比其他方法,本方法对建筑物的提取效果较好,且训练时间和内存占用情况适中,具有较高的实用价值。

硝态氮是旱地植物吸收氮素的主要形式, 其吸收与硝酸盐转运蛋白1(NRT1)密切相关。高粱(Sorghum bicolor)较耐贫瘠, 对土壤中的氮素吸收和利用效率较高。以拟南芥、水稻的NRT1为基础, 通过Blast筛选高粱核酸和蛋白数据库获得SbNRT1基因全长序列, 并结合生物信息学方法鉴定出了20个SbNRT1基因, 对其进行基因结构、系统进化树、基因表达、选择进化分析, 同时对其蛋白质的理化性质、二级和三级结构进行分析。结果显示: SbNRT1分布于SBI-01～SBI-10上(除SBI-08); SbNRT1蛋白质均为疏水性蛋白, 绝大多数蛋白质没有信号肽, 且亚细胞定位在质膜上; 二级结构以α-螺旋和无规则卷曲为主, SbNRT1蛋白三级结构与预测一致, 可信度均达到93%; SbNRT1存在8个分支, 高粱与谷子、玉米的NRT1同源关系更近, 且高粱在进化上出现了单双子叶的分化; Sobic.004G193000基因在生育期多个部位表达水平较高, Sobic.001G133900、Sobic.003G295500和Sobic.001G302800在高粱根部受硝酸盐诱导表达, 也受铵盐和尿素诱导; 高粱种质基因组重测序数据计算的ka/ks值表明, SbNRT1的进化具有纯化效应。该研究结果为进一步探讨高粱氮高效相关基因的功能研究提供了基础。

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型。首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征。然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递。最后,用二维卷积层对提取的特征进行空间信息强化,实现图像分类。实验结果表明,在三个公开高光谱数据集Indian Pines、Salinas和University of Pavia中分别用标记样本的5%、1%、1%作为训练样本时,本模型的分类精度分别为97.09%、99.30%、97.60%,可以有效提升小样本情况下的高光谱图像分类效果。