我国北极航线航海保障能力建设研究

为更系统地掌握我国北极航线航海保障能力，形成对北极航海保障基本情况的认识并用以启发后续相关工作的开展，通过分析我国现阶段北极航线各方面航海保障能力，针对实际需求找出不足，并结合后续工作的开展方向提出相关建设举措。     

紧邻铁路偏压基坑长短桩围护结构受力变形分析

紧邻铁路偏压基坑施工对铁路运营影响大，需严格控制其变形，以减小对铁路的影响，因此对基坑围护结构的设计通常“偏保守”，存在优化的可能。为探究偏压基坑中围护结构优化的可能，以某工程为依托，分别对铁路两侧的等长桩围护结构与长短桩围护结构的变形与内力进行了测试，比较分析了两侧围护结构的实测结果。结果表明：在本工程中，左右两侧基坑变形较小，均在可控范围内，等长桩围护结构与长短桩围护结构均可保证基坑与铁路安全。与等长桩围护结构相比，长短桩围护结构的桩身最大水平位移与弯矩出现了增长，水平位移最大增长了0.25 mm，桩身弯矩最大增长了10.14 kN·m，两者增长量均较小，长短桩围护结构具有良好的支护效果。长短桩围护结构紧邻偏压侧的桩身水平位移与弯矩大于远离偏压侧，但两者相差较小，偏压荷载对长短桩围护结构的影响较小。     

基于多特征融合的隧道场景车辆再识别

为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题，提出了一种基于多特征融合的车辆再识别方法，通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先，将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层，同时采用CIoU损失和DIoU-NMS方案，提高车型检测准确率；其次，使用改进DeepSORT的表观特征提取网络和ResNet网络，分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征；再次，将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合，形成可鉴别身份特征，以提高车辆再识别精度；最后，基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习，对学习结果进行重排序以进一步提高模型的精度，并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel＿Veh4C进行训练验证。结果表明：与现有方法相比，提出的Rank-1、Rank-5和Rank-10识别准确率以及...