为实现渔业养殖中的精准投喂，在传统检测算法的基础上，提出了一种基于鱼群纹理、形状和密集度特征的轻量级鱼类摄食行为实时检测算法F-YOLO。将YOLOv4算法原来的主干特征提取网络CSPDarkNet53替换为MobileNetV3，以少量检测精度下降的代价极大提升网络的实时检测性能，提升对鱼类小目标检测性能；对网络结构卷积层进行通道剪枝和知识蒸馏处理压缩模型，减少浮点运算次数（FLOPs）和计算量；使用优化K-means聚类结合添加全局非极大值抑制的DIoU损失函数确定锚框，解决鱼体相互遮挡导致锚框缺失问题。实验结果表明，所提F-YOLO算法的模型大小仅为13.7 MB，每张图片平均识别时间达到50 ms，精度达99.13%，FLOPs仅为1.64×10¹⁰，在嵌入式设备中的检测速度可以达33 frame/s，可为实际渔业养殖提供理论指导。

随着实例分割技术在各种场景中的应用越来越广泛, 运行速度和硬件资源占用是该技术在应用中需要考虑的 2个重要因素。最近提出的基于图像原型掩码系数的实例分割网络 (YOLACT)在运行速度方面做得很好, 但是需要设置较大的特征提取网络才能保证分割精确度, 这就导致了模型占用的硬件资源较多, 同时运行速度也受到了限制。在 YOLACT的基础上, 提出一种新的模型, 对实例分割的特征提取网络进行了优化, 先使用基于批量归一化层放缩因子的通道剪枝方法对 YOLACT网络进行压缩, 然后对压缩后的卷积层和批量归一化层进行融合, 最后, 在 COCO val2017上对本文提出的方法进行了评估。实验结果表明, 相比原始的 YOLACT网络, 该方法的模型文件大小可以减少 56.9%, 运行速度提升 28.6%, 运行时显存占用也降低了 13.6%, 有效地减少了硬件资源占用, 并且提升了运行速度。

针对待检测区域大, 单一使用卫星或无人机检测将分别导致检测精度低及检测速度慢的问题, 提出了一种基于YOLO检测模型的“卫星-无人机”协同目标检测方法。首先, 使用搭载通道裁剪的YOLOv4-tiny模型的卫星, 在大范围区域中对含目标区域进行快速初步筛查;其次, 对筛查到含有目标的区域, 调动搭载四尺度检测分支的YOLOv4模型的无人机, 对含目标区域进一步精确检测。通过实验分析可知, 改进的YOLOv4-tiny模型可以更快地对大范围区域进行筛查, 改进的YOLOv4模型对筛查出来的含目标区域检测精度更高, 使用卫星和无人机协同检测能够有效将前者的“快”和后者的“准”结合起来, 提高检测效率。

常见的目标检测模型由于模型参数量较大，往往难以部署在无人机、卫星等移动嵌入式设备上。为了对船只进行实时监测，将目标检测模型部署在计算能力较弱的设备上，对基于计算机视觉的卫星图像船只目标检测方法进行研究。针对卫星图像中船舰的形状长宽比例特点，采用K-means++聚类算法选取初始的锚点框; 接着对模型进行多尺度训练，将多尺度金字塔图像作为模型训练的输入; 将YOLO-v3目标检测算法的批归一化层的尺度因子作为通道重要性的度量指标，对YOLO-v3模型进行剪枝压缩。实验结果表明，采用的模型剪枝和压缩方法能有效地对模型进行压缩，模型的参数量减少了91.5%，模型检测时间缩短了60%,极大地减少了系统计算性能的开销。当采用的初始锚点框个数为6个时，平均准确率(mAP)达到77.31%，满足了卫星图像船舰实时性检测的需求。

为提高卷积相关滤波算法的速度和精度,提出一种基于通道裁剪与加权融合的跟踪算法。该算法选取适合目标跟踪的单层卷积特征,通过特征均值比裁剪无效卷积通道,再融合一维灰度特征,提升了特征的表征能力。然后以特征均值比为卷积通道权重构造加权相关滤波算法,预测目标位置,并用帧差均值最小化精定位方法减小预测位置误差;最后通过更新跟踪模型,以进一步提高算法速度。在标准数据集OTB-100上对算法进行测试。结果表明,所提算法的平均距离精度为91.3%,平均速度为31.8 frame/s。所提算法可有效提高目标跟踪的速度和精度,在目标遇到遮挡、尺度变化、快速运动及形变时仍可有效跟踪目标。