本技术属于自然资源评价技术领域，具体为一种基于实时遥感及监测的碟形湖状态评价方法。本发明碟形湖状态评价指标包括淹水状况、植被状况、水质状况和人类活动干扰状况四类指标。上述指标分别通过雷达遥感数据、光学遥感数据、在线水质监测设备及在线视频监控或无人机巡查方式获得；通过指标与历史监测数据进行比值法运算获得相应赋分，再通过加权运算得到栖息地综合得分。本发明极大的减少了现场采样调查工作，并且能够快速对碟形湖栖息地状态进行持续、可重复的评价，为湿地管理部门的及时调整水资源分配与利用政策，促进水资源的可持续利用提供数据支撑。

 本技术公开了一种基于基础模型的点云图像融合的3D目标检测方法，应用于自动驾驶技术领域，包括:将多视角图像输入至基础模型中，得到图像深度图；将图像深度图和雷达点云输入至语义投影模型中，得到雷达深度图；将图像深度图和雷达深度图输入至滤波模块中，得到增强后的雷达点云；分别获取多视角图像和增强后的雷达点云对应的多尺度图像BEV特征和多尺度雷达BEV特征，并输入至多尺度特征融合模块中，得到多尺度的融合特征；将融合特征输入至检测头中，得到检测结果。本发明利用基础模型实现了稀疏雷达点云致密化，并且利用多尺度特征融合模块实现了彻底融合多尺度和多模态的BEV特征，提高了目标检测的准确性和鲁棒性。

 本技术提出了一种面向隐私保护的多特征融合车辆重识别方法，旨在实现云辅助车联网场景下，车辆数据的隐私保护及检索，主要包括以下内容:(1)提出一种新的自监督学习方案；(2)提出一种多特征融合的车辆特征提取框架；(3)提出一种云辅助车联网场景下的隐私保护方案。

 本技术提出了一种基于三段式平行网络架构的轨道扣件状态识别方法，包括:获取轨道巡检图像；构建卷积神经网络CNN骨干网络，对轨道扣件的图像进行多尺度特征提取；利用局部特征分支对扣件特征进行卷积处理和上采样处理得到局部扣件特征；利用全局特征分支对扣件特征进行全局平均池化和卷积处理；利用以Vision Transformer为基础的架构的掩膜生成分支对扣件特征进行处理，生成轨道扣件的原型掩膜；将局部、全局和掩膜扣件特征进行融合；将扣件特征图进行非最大抑制和掩膜生成；对轨道扣件的健康状态进行分析。本发明结合CNN骨干网络和Vision Transformer，提出一种新的三段式平行网络架构，通过实例分割实现轨道扣件的精确识别和状态分析，提升复杂环境下的识别精度。

 本技术属于木材缺陷检测的技术领域，更具体地，涉及一种基于改进YOLOv8l的木材表面缺陷检测方法、电子设备及存储介质。所述方法包括:使用FasterNet改进传统的YOLOv8l的Backbone，利用FasterNet中部分卷积PConv的设计来减小参数量和计算量；提出了一种增强型加权双向特征金字塔网络EFPN，通过辅助分支加强不同特征层之间的信息交换，并设计了扩张重参数模块DRM来充分捕获不同尺度上的特征。改进后的YOLOv8l更加适用于检测木材表面的多尺度缺陷，不仅提高了检测精度，并且参数量和计算量更小，为木材表面缺陷检测提供了一种高效、精准的解决方案。

 本文公开了一种地块边界提取方法、装置、设备及介质，涉及遥感影像处理领域，该方法包括:基于耕地地块边界提取模型对研究区的卫星遥感影像进行地块边界提取，以确定研究区的地块边界影像；地块边界影像中包括掩码、轮廓及距离；耕地地块边界提取模型包括依次连接的残差神经网络、特征增强模块及卷积输出层；特征增强模块包括多尺度特征整合块及空间群体增强注意力机制；残差神经网络对输入的影像进行不同层次的特征提取；多尺度特征整合块将不同层次的特征进行融合；空间群体增强注意力机制对融合后的特征进行空间群体增强；卷积输出层对空间群体增强后的特征进行掩码预测、轮廓提取及距离估计。本申请提高了地块边界的提取精度和效率。

 本技术公开了一种基于序列建模的学术能力评估方法，属于学者学术评估技术领域，包括潜在因素抽取、基于Transformer创建学术能力评估模型以及输出学者学术能力评估结果。本发明通过考虑学者学术生涯成功的决定因素，基于Transformer建模学者的学术生涯，对学者的学术能力进行评估，避免单一维度对学者学术能力评估造成的偏差，基于时间序列表征学者的成长轨迹，挖掘学者生涯的动态属性，避免仅仅关注学者静态属性造成对学者成长轨迹中动态属性的忽略，利用评奖评优历史记录作为评估学者的先验知识，解决了现有评估方法不能利用学者积累的已有先验知识综合评估的不足，定量输出更容易理解的学者量化指标，对学者学术能力进行更精确、更合理的评估。

 事实错误纠正旨在识别和纠正给定语句中的事实错误。现有的大多数方法都依赖于语言模型掩码器，通过掩码语句中的令牌来识别事实错误。然而，这种方法往往无法确保被掩码词块的成分完整性，从而导致更正偏离原始语句。为了解决这个问题，我们提出了一种基于Chunking的方法和用于FEC的词性信息提示，其目的是识别和纠正与声明内容一致的事实错误。具体来说，我们首先描述了一个基于Chunking的掩码模块，该模块可将语句分块为多个跨度，同时保留每个跨度的成分完整性，然后标记每个跨度的词性信息，并将其与跨度边界预测模块预测的证据跨度相结合，形成一个提示，使用该提示给基于T5的校正器为每个基于跨度的掩码语句生成校正，最后使用校正评分来选择最终校正。

 本技术基于太赫兹光谱技术和固态密度泛函理论，提供了一种实验和理论结合研究对羟基苯甲酸甲酯振动模式与弱相互作用的方法。首先利用太赫兹时域光谱系统测量对羟基苯甲酸甲酯在0.5‑3.0THz范围内的吸收光谱；然后采用基于周期性体系的固态密度泛函软件CRYSTAL17对晶体进行结构优化以及频率计算，得到样品的红外吸收光谱；最后将计算光谱与实验光谱进行对比分析，并应用振动模式自动相关性确定方法对其振动模式进行分配，基于Hirshfeld分区的独立梯度模型对弱相互作用进行深入解析，探究太赫兹光谱中的吸收峰的来源。本发明通过这些分析，补充了对羟基苯甲酸甲酯晶体微观层面信息，这对于预测分子结构和材料性质的探究，具有深远的意义。

 本技术涉及基于BiLSTM Multi‑Head Attention的拉曼光谱分类方法，用以解决现有技术在处理复杂光谱数据时分类准确率低、泛化能力不足的技术问题。主要包括数据预处理、构建基于BiLSTM Multi‑Head Attention的深度学习分类模型、通过5折交叉验证对学习分类模型进行训练，优化模型参数，在测试集上对学习分类模型进行评估，深度学习分类模型包括输入层、BiLSTM层、注意力机制层、全连接层和输出层。该方法通过学习率调度、层归一化等优化技术，提高了模型的分类准确性和泛化能力，能够有效地对复杂拉曼光谱进行分类，适用于智能化的疾病检测和物质识别等领域。