DETR（detection transformer）算法是一个基于Transformer的目标检测算法，具有检测速度快、检测效果好的优势。介绍了一种利用DETR算法及双目视觉原理对道路环境下的人、车、自行车、信号灯等目标进行构建的测量系统。分析了双目测距、相机标定、目标检测以及目标匹配的原理，并以此为基础构建了测量系统。采用目标检测算法检测视野中的目标，利用双目视觉原理对检测到的目标进行测距，同时分析了测量系统中测量误差的来源，并计算其对结果的影响。该算法在KITTI数据集及现实环境中进行测试，测量系统基线为45 cm，对15 m～80 m的指定目标检出率高于90.6%，测距误差小于5.8%，在RTX 2080Ti平台上能够实时运行。

我国天然林区分布范围广，地形复杂，依靠传统的护林员巡检方式进行林木病虫害防治，效率较低，难于及时发现早期的林木病虫害，可能因此错过防治的最佳时机。针对该问题，设计了一种基于多光谱图像检测林木病虫害的深度学习网络，研发了一套检测软件，通过无人机挂飞实验，利用搭建的深度学习网络，完成林区染病区检测，对检测结果进行了分析。

研究了基于生成式对抗网络(GAN)和跨域自适应迁移学习的样本生成和自动标注方法。该方法利用自适应迁移学习网络，基于已有的少量可见光图像样本集，挖掘目标在红外和可见光图像中特征内在相关性，构建自适应的转换迁移学习网络模型，生成标注好的目标图像。提出的方法解决了红外图像样本数量少且标注费时的问题，为后续多频段协同目标检测和识别获得了足够的样本数据。实验结果表明：自动标注算法对实际采集的装甲目标图像和生成的装甲目标图像各1 000张进行自动标注测试，对实际装甲目标图像的标注准确率达到95%以上，对生成的装甲目标标注准确率达到83%以上；利用真实图像和生成图像的混合数据集训练的分类器的性能和使用纯真实图像时基本一致。

TensorRT是一个高性能的深度学习推理平台。它包括一个深度学习推理优化器和运行时为深度学习推理应用程序提供低延迟和高吞吐量。给出了一个使用TensorRT快速构建计算管道的例子,实现通过TensorRT执行智能视频分析的典型应用。该示例演示了使用片上解码器进行解码、使用片上标量进行视频缩放和GPU计算的4个并发视频流。为了演示的简单性，只有一个通道使用NVIDIA TensorRT执行对象标识，并在标识的对象周围生成包围框。该示例还使用视频转换器函数进行各种格式转换，使用EGLImage来演示缓冲区共享和图像显示。最后采用GPU卡V100对ResNet网络进行TensorRT加速性能的实际测试,结果表明TensorRT能够使吞吐量提升大约15倍。