本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。 成果非涉密，专利申请已经提交。 实验采用反射光学系统成像光谱仪（ROSIS）传感器获取意大利北部帕维亚大学（Pavia  University）的高光谱图像数据。该数据集由 103 个光谱带组成，共 610×340 像素，光谱覆盖范围从 430nm 到 860nm，空间分辨率为 1.3m。该数据集一共含有 9 个类别的 42776个有标记样本，选取每类 30 个有标记样本作为训练集，其余作为测试集。 由下表可以看出，在每类选取 30 个样本的情况下，本 模 型 的 OA，AA，Kappa系 数 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表证明了使用了伪标签样本扩充的空谱全卷积网络的本方法在小样本情况下每个类的分类准确性均优于 DFFN 和 CNN，达到了较好的分类效果。 表 1 PaviaU 数据集上对比实验结果

该成果提出了一种基于空谱差分辅助核联合稀疏表示分类的高光谱图像分类方法。本章方法的主要创新性在于：1）能够将光谱的差分辅助信息和原光谱特征信息有效结合。2）能够考虑不同光谱属性间的高阶空间相关信息。3）原空谱和差分空谱核特征字典的信息通过具有混合正则的核联合稀疏表示分类方法得到充分利用。通过在真实高光谱图像数据上的实验表明，该成果提出的方法能够有效地提高高光谱遥感图像的分类效果。 主要技术指标 不同数据集下的训练样本与测试样本数参阅表 1. 在该训练样本集数量下的分类结果表现参见表 2. 相比于传统分类器 SVM，OA 提高了约 20%；相比于 SOMP，OA 提高了约20%。 该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。 表 1. 不同数据集下的训练样本选取数量 表 2. PaviaU 大学数据下不同方法的正确率比较

产品详细介绍         谱诚博阅原卷留痕阅卷机，独创的原卷留痕阅卷新模式，能够切实解决师生存在的不同困境，提高教师阅卷效率，给广大学子增效减负。          我们的原卷留痕智能阅卷机，具体优势有以下几点：      1.无需答题卡。省时省钱      2.无需人工干预。减轻教师负担      3.原卷答题。学生原卷答题无需答题卡，省时便捷      4.原卷批改。方便学生复习，教师掌握学生学情。      5.高效阅卷。一键阅卷，操作简单；客观题自动批阅、主观题得分自动识别、总分自动统计、错题标准答案自动打印；双面同时阅卷，效率优于人工批阅。                                                                       阅卷机产品展示图 谱诚博阅的原卷留痕阅卷机AYJ800针对网上阅卷系统的不足，做出创新改进，实现了学生原卷作答，教师原判批改，所有的批改原卷留痕，阅卷机本身负责主观题的批改，客观题的批改读取，可以与原有的共享资源平台对接形成闭环，更有针对性的服务于基础教育阶段的师生，因材施教。                                                                                                                              阅卷机批改后的卷面效果   此外，谱成博阅科技有限公司基于大数据的准确分析给学生提供专家级学情分析报告，可以真正的促进学生的学习，针对性提高学习效率，具体有以下优势： 1.纸质试卷自动电子存储 2.学生答题分析 3.易错知识点分布统计 4.平台利用学情报告完成针对性教育与个性化学习 5.自动生成学生错题本，学生提高成绩有捷径 6.自动生成高频易错题集，老师定位重点有方向 7.学生各人知识点掌握情况分析表，补齐短板有目标 8.每人一张个性卷，数据分析有反馈 如今，教育行业，越来越多的教学内容期待高效的传播，越来越多的基础教育阶段的学生希望节约时间，更注重自己全方位的发展，越来越多的教育培训服务更多的依赖大数据的分析来快速指导实践，谱诚博阅原卷留痕阅卷机AYJ800就可以很好地满足教育行业师生的各种需求，无论从教学、考试还是各大培训都会相得益彰共同发展，未来在原卷留痕阅卷机的广泛普及下，必将极大地促进基础教育的发展，为学生学习开辟更加恢宏的康庄大道。 杭州谱诚博阅科技有限公司——教育信息化服务理念的倡导者,我们专注于教育，致力于实现创新技术与传统教学模式的最佳融合，倾注全部的心血和激情，发展互联网教育服务产业，开创中国教育现代化的未来。我们创造并实践崭新的服务模式和商务模式，打造产业生态圈。在智能阅卷、智慧课堂、云端针对练习、云端个性考试服务、K12互联网信息化教育等领域，博阅科技的创新理念和技术将推动行业的蓬勃发展。 公司现已拥有独立的研发团队、生产基地，以及遍布全国的销售网络渠道。公司开发的爱阅卷原卷留痕阅卷机系统，多项技术通过了国家有关部门的严格测试，技术处理水平先进。博阅爱阅卷原卷留痕阅卷机系统是将现代先进的图像压缩、分割技术与高速图像扫描设备相结合而产生的一项高效数字化信息系统。系统经过严密设计，并结合传统的阅卷模式，成功地将先进的计算机网络技术同教师阅卷工作结合在一起。在充分考虑用户的需求和使用状况的基础上，优化、整合设计流程，实现了灵活方便的阅卷、大数所分析、试卷管理过程，充分体现了本阅卷系统的实际效益和推广意义。博阅科技正成为广大师生及家长的好伙伴。

1、参照典型人体标本及国内外经典权威教材及图谱制作，如人卫出版社丁文龙主编的《系统解剖学》、人卫出版社南京医学院主编的《人体解剖学图谱》、江苏科学技术出版社姜同喻编著的《连续层次解剖图谱》、山东科学技术出版社丁自海主译《格式解剖学》、广东科技出版社胡耀民主编的《人体解剖学标本彩色图谱》等，造型自然准确、颜色自然，满足教学需要；

全固态锂电池的活性物质负载通常较低（<1 mg cm-2），该值远小于目前商用锂离子电池钴酸锂正极的 12 mg cm-2 和石墨负极的 6 mg cm-2。物质学院刘巍课题组在高性能全固态锂电池的固体聚合物电解质方面取得重要进展。他们突破传统制备方法，利用立体光固化成型（SLA）3D 打印技术，以聚乙二醇二丙烯酸酯为聚合物基体原料，3D 打印出一种具有三维表面结构的聚合物固态电解质。由于构建出 3D 电解质-电极界面，使界面处的比表面积增大了 95%，显著优化了电极与聚合物固态电解质之间的界面接触，大大降低了界面阻抗，并且能将正极活性物质负载提高到 5 mg cm-2 这一较高的水平，以此提升全固态锂电池的性能。SLA3D 打印技术为高性能的全固态锂电池提供了新的研究途径，有希望应用于下一代的能量存储领域。

研究方向：高比能二次金属空气电池和固态离子输运及存储。研发内容：聚环氧乙烷、锂镧锆氧复合的固体电解质。主要性能：24Ah 级的固态锂离子电池