针对普通卷积神经网络在遥感图像分割中林地边界区域识别不完整、小片林地分割精度低的问题,提出一种基于transformer与注意力机制的DeeplabV3+网络改进方法。在编码阶段引入transformer机制,将原池化金字塔部分中的空洞卷积操作替换为可获取更多上下文信息的transformer操作,从而提高网络对林地边界信息的提取能力; 将注意力机制引入到网络的解码部分,提升模型对小片林地的检测能力。实验表明,采用改进后的方法平均交并比(MIou)可达到81.83%,对比原DeepLabV3+网络模型提升了1.25%。该方法充分考虑了卫星遥感图像分割中林地边缘信息的提取以及对小目标的关注度,提出的改进方法可提升遥感图像中对林地提取的精度。

在其他实验参数都确定的情况下,通过进一步调整泵浦光、 斯托克斯光和探测光的相位函数,计算对称与反对称 伸缩振动的光极化强度峰值之比为最优,来实现甲醇溶液中CH3 对称和反对称伸缩振动相干反斯托克斯拉曼光谱(CARS)的选择激发。 采用Silberberg提出的控制方法,通过参数调整实验,总结了各可调参数对选择激发效果的影响,并根据相关理论, 定性分析了该控制方法的内部控制机理及最佳可调参数的范围,最后总结实现相邻能级选择激发的参数调控方法。