针对Faster R-CNN目标检测算法存在的定位和检测精度问题，设计了一种可嵌入Faster R-CNN目标检测算法并进行端到端训练的可移动的注意力（MA）模型。首先，为了获取更加精确的空间位置信息，MA采用两个自适应最大池化分别基于输入特征图的水平和竖直两个方向进行特征聚合，生成两个独立的方向感知特征图；其次，为了防止模型过拟合，使用Sigmoid激活函数增加网络非线性；最后，为了充分利用已经得到的空间位置信息，将具有非线性的两个特征图与输入特征图依次相乘以增强输入特征图的表征能力。实验结果表明：基于MA改进的Faster R-CNN目标检测算法有效地提升了网络对感兴趣目标的定位能力，并且平均检测精度也得到了明显的提升。

跨模态行人重识别任务的难点在于提取出更有效的模态共享特征，为解决该问题，提出基于注意力机制的多损失联合跨模态行人重识别方法。在ResNet50网络中嵌入注意力模型，保留细节信息。将特征切割成六块局部特征，以使网络关注局部深层信息，增强网络的表征能力。对提取出的局部特征列向量进行批归一化处理，并选用交叉熵损失和改进的异质中心损失进行联合监督学习，以加速模型收敛，提升模型精度。所提方法在SYSU-MM01、RegDB数据集下的平均精度（mAP）分别达到56.82%和75.44%，实验结果表明，本文方法有效地提升了跨模态行人重识别精度。

针对目标检测网络Faster R-CNN(Faster Region-Convolutional Neural Network)存在漏检、误检和检测精度低的问题,提出一种融合注意力机制和Soft-NMS(Soft Non-Maximum Suppression)的Faster R-CNN目标检测算法。为了增强Faster R-CNN目标检测算法对特征图中全局重要特特的提取并弱化无关特征,首先在网络中引入了注意力机制;其次针对注意力机制采用两个全连接层构成瓶颈结构会造成局部信息损失的问题,构建一种可以和卷积神经网络进行端到端训练的非降维通道注意力和空间注意力串联模块;然后通过在区域建议网络中引入Soft-NMS替换传统的非极大抑制算法,可以降低目标漏检并提高定位精度;最后在评价标准里引入了误检率,进一步验证模型的性能。实验结果表明,基于ResNet-50的Faster R-CNN目标检测算法有效降低了漏检、误检并提高了定位精度,而且在平均检测精度上得到了明显的提升。

介绍了电子电流互感器的分类与全光纤型电流互感器的基本工作原理,回顾了近年来提出的对全光纤光学电流互感器中的线性双折射、韦尔代常数变化等问题的解决方案,以及有关磁致伸缩、光纤光栅等类型的光学电流传感器的研究进展。

介绍了电子式电流互感器的分类,块状光学玻璃电流互感器(BGOCT)的基本工作原理,回顾了BGOCT系统自身的参数,如反射相移、线性双折射等对BGOCT性能的影响,工作环境对BGOCT系统的影响及信号处理技术方面的研究结果,并评估了未来的发展方向。

介绍了电子式电流互感器的分类,有源型电子电流互感器基本工作原理,回顾了近年来关于有源型电子式电流互感器研究的发展状况,着重介绍了使用Rogowski线圈进行采样的基本原理、利用悬浮电源、激光或太阳能电池的供电技术以及信号处理技术方面的研究进展。