摘要：从高空间分辨率图像(HSRI)中提取建筑物信息在遥感应用领域具有重要意义。然而,由于遥感影像中的建筑物尺度变化大、背景复杂和外观变化大等因素,从HSRI中自动提取建筑物仍然是一项具有挑战性的任务。特别是从影像中同时提取小型建筑物群和具有精确边界的大型建筑物时,难度更大。为解决这些问题,本文提出了一种端到端的编码器-解码器神经网络模型,用于从HSRI中自动提取建筑物。所设计的网络称为MAEU-CNN(Multiscale Feature Enhanced U-shaped CNN with Attention Block and Edge Constraint)。首先,在设计的网络编码部分加入多尺度特征融合(MFF)模块,使网络能够更好地聚集多个尺度特征。然后,在编码器和解码器部分之间添加了多尺度特征增强模块(MFEF),以获得不同尺寸的感受野,用于获取更多的多尺度上下文信息。在跳跃连接部分引入双重注意机制,自适应地选择具有代表性的特征图用于提取建筑物。最后,为了进一步解决MAEU-CNN中由于池化及卷积操作导致的分割结果边界模糊的问题,引入多任务学习机制,将建筑物的边界几何信息融入网络中以优化提取的建筑物边界,最终获得精确边界的建筑物信息。MAEU-CNN在ISPRS Vaihingen语义标记数据集和WHU航空影像数据集2种不同尺度建筑物数据集上进行了试验分析,在ISPRS Vaihingen语义标记数据集上,MAEU-CNN在精度、F1分数和IoU指标中获得了最高精度,分别达到了93.4%、93.62%和88.01%;在WHU航空影像数据集上,召回率、F1分数和IoU指标中也获得了最高精度,分别达到了95.45%、95.58%和91.54%。结果表明,本文所提出的MAEU-CNN从遥感图像中提取建筑物信息精度较高,并且对于不同尺度具有较强的鲁棒性。

摘要：本文以国有企业高管人员为研究对象,从培训组织实施流程视角,运用案例研究方法和质性分析手段,探究影响国有企业高管培训迁移的关键因素及培训迁移机制。研究发现,国有企业高管培训迁移效果受高管个人特征、培训动机、培训设计和培训环境四类因素的影响,并存在动态演变过程,其中培训设计因素只在培训实施中期起作用;从迁移影响因素的演变过程来看,提高高管培训迁移效果的重点在于针对不同的培训实施阶段,抓住关键迁移影响因素进行组织干预,可以有效提升培训效果。

摘要：氟化氩(ArF)浸没式光刻需在光刻胶表面形成抗水涂层,阻挡光刻胶和水之间组分交换。抗水涂层对光刻胶的分辨率、工艺窗口、低缺陷要求起着重要作用,平衡抗水涂层的疏水性和碱溶性是设计聚合物结构的重点和难点。分析了形成抗水涂层的方法和成膜机理,对比了不同方法的优缺点,根据聚合物所含官能团及其碱溶性,对抗水涂层聚合物进行了分类总结,重点阐述抗水涂层聚合物的结构和性能要求,尤其关注了聚合物侧链的位阻效应和氢键作用对涂层的疏水性影响。最后对抗水涂层的应用和发展进行了展望。