针对全卷积神经网络对单帧红外图像行人检测计算量大、检测率较低等问题, 提出了一种改进的 LeNet-7系统对红外图像行人检测的方法。该系统包含 3个卷积层、3个池化层, 通过错误率最小的试选法确定每层参数, 以波士顿大学建立的 BU-TIV数据库训练系统。首先, 以俄亥俄州立大学建立的 OTCBVS和 Terravic Motion IR Database红外数据库作为测试图像；然后, 采用自适应阈值的垂直和水平投影法得到感兴趣区域( regions of interest, ROI)；最后, 将得到的 ROI输入训练好的系统进行测试。3个测试集检测实验表明, 本文方法具有良好的识别能力, 与不同实验方法相比, 本文方法能有效提高检测率。

针对采用全卷积神经网络去除地震数据随机噪声方法中遇到的计算量大、容易出现过拟合等问题,提出了一种基于LeNet-5改进的卷积神经网络对地震数据进行去噪的方法。除去输入层,该方法包含2个卷积层、2个池化层和1个全输出层。采用误差最小的实验试选法,首先在单层卷积网络中确定第1个卷积层和池化层的参数,基于第1层参数确定第2个卷积层和池化层的参数, 最后采用12000个大小为32×32的地震数据训练LeNet-5,采用1000个相同大小、相同信噪比的地震数据测试系统。Marousi2叠前和叠后地震数据去噪实验均表明,本文方法对水平和倾斜同相轴地震数据的去噪效果较好。与奇异值分解算法、BP(Back Propagation)算法以及文献[9]中算法相比,本文方法能更好地去除噪声。