- 高美琦;杨九如;
提出和制备了一种基于空芯光纤的微球型光纤法布里-珀罗干涉仪，将其应用于轴向应变传感测试。实验分析了球径与反射光谱/空间频率间的量化关系，验证了变球径条件下的轴向应变敏感特性。结果表明，应变响应与纵向球径成反比例关系，与横向球径则成正比例关系。当纵向球径为42μm时，最大灵敏度达9.8 pm/με,对应的线性测试范围为0～2 000με。采用硼硅酸盐毛细玻璃管封装后，应变灵敏度仅减小0.2 pm/με,证明所制备结构在应变相关的工程测试中具有良好的应用价值。
2025年04期 v.42 461-468页 [查看摘要][在线阅读][下载 3769K] - 仲子鑫;吕柄宽;姜子实;KAR Sabyasachi;HO Yew Kam;
基于稳定化方法，选取指数型关联波函数，研究了等离子体屏蔽对H~-和He在各自子系统n=3和n=4阈值下~1P~o共振态的影响。考虑了两种等离子体环境，即德拜等离子体和量子等离子体环境。德拜等离子体环境采用德拜—胡克尔模型得到的屏蔽库仑势(Screened Coulomb potential, SCP)描述，量子等离子体环境采用修正德拜—胡克尔模型得到的指数余弦屏蔽库仑势(Exponentiol cosine screeded Coulomb petential, ECSCP)描述，所得共振参数(共振位置和宽度)的结果均以屏蔽参数函数的形式给出。
2025年04期 v.42 469-487页 [查看摘要][在线阅读][下载 2944K] - 王天硕;王晓飞;
为了解决现有模型在小样本高光谱小麦数据集上存在的特征捕捉不充分、全局依赖性建模薄弱等性能不足的问题，提出了一种基于光谱-空间协同特征融合网络(Spectral-spatial cooperative feature fusion network, SSCFF-Net)的深度学习模型。该模型采用多阶段架构，充分利用局部和全局特征的互补优势：一方面，通过结合二维卷积神经网络(Two-dimensional convolutional neural network, 2D-CNN)、三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)与多种注意力机制，高效捕捉高光谱数据的局部光谱-空间细节；另一方面，借助Transformer注意力机制和1D-CNN结构，有效解决了其全局依赖性问题。该模型通过深度挖掘小麦高光谱图像的光谱维与空间维信息，构建光谱-空间协同特征融合机制，针对性解决现有模型的性能缺陷。此外，模型中采用的数据增强和残差设计已被证明能显著降低对标注数据的依赖，同时，提升模型对小样本数据集的适应性，特征压缩与模块化设计的结合则可进一步提升计算效率。实验结果表明，SSCFF-Net模型具备准确区分不同小麦品种的能力，在HyperLeaf 2024数据集上分类准确率达到99.4%,有效解决了深度学习在小麦小样本高光谱数据集时准确率较低的问题。
2025年04期 v.42 488-495页 [查看摘要][在线阅读][下载 1774K] - 刘天若;刘志远;朱福珍;巫红;
静态平台上的联合检测与嵌入范式多目标跟踪模型已取得显著进展，但在面对无人机(Unmanned aerial vehicle, UAV)遥感场景中快速运动、视角剧烈变化及高密度小目标聚集等挑战时，现有方法难以保持稳定的跟踪性能。为此，对不确定性感知无监督多目标跟踪(Uncertainty-aware unsupervised multi-object tracking, U2MOT)模型进行了改进，进一步提升其在无人机场景下的性能表现。在重识别预测头部分支中引入所提出的像素注意力聚合模块(Pixel attention aggregation module, PAAM),通过增强的自注意力机制以及稳定的双重残差结构，增强了目标身份特征的提取能力。针对无人机平台中目标运动变化剧烈的问题，在对比学习训练样本生成阶段构建了基于轨迹片段运动信息的数据增强策略，结合类别引导的透视变换模拟真实运动变化，增强了样本的多样性与判别性。在损失函数中引入多任务自适应加权损失机制，实现检测与重识别任务的动态权重调整，提高模型训练的稳定性与协同性。在视觉与无人机多目标追踪(Vision meets drone:multiple object tracking, VisDrone MOT)数据集上的实验结果表明，所设计的跟踪算法在多目标跟踪准确率和身份一致性得分上分别提升了2.1%和1.7%,有效增强了模型在无人机场景中的跟踪性能。
2025年04期 v.42 496-504页 [查看摘要][在线阅读][下载 2476K]