图像去雨指通过去除图像中的雨痕来重构出高清背景图像的过程。目前最广泛应用于图像去雨任务的是深度卷积神经网络。卷积操作的核心是参数共享，这大大减少了计算量并提升了算法的泛化能力，然而这也导致卷积操作无法有效考虑到局部之间的联系和较远的像素点对所操作区域的影响，出现图像去雨中的过平滑现象。结合图网络的思想和机制，提出一个改进卷积方式。首先将所有像素点视为一个图节点，计算相邻像素点之间的相似度，根据设定的阈值判断有无边联系，完成图结构构建后，所得到的邻接矩阵与相似度矩阵会在卷积操作时对卷积核参数进行调整，充分考虑像素点之间的联系与提取拓扑信息。在图像去雨领域若干公开数据集上对多个最新算法进行对比，实验结果显示所提改进卷积的有效性，可以在不增加许多计算资源的前提下有效提升算法的性能。

显著性检测技术可以快速有效地从海面背景中区分出前景船舶，因此基于显著性分析的船舶检测算法受到了广泛的研究关注。然而受到水面无规则背景噪声，如海浪、杂波、船舶尾迹等干扰，很难准确地获得船舶检测结果。针对这一问题，提出了一种基于鲁棒背景估计的船舶显著性检测算法。首先，对原始输入图像中的像素点进行聚类形成一系列超像素，并利用深度卷积网络求取每个超像素对应的特征描述。然后，为了有效抑制海面背景噪声对船舶检测性能的影响，构建了一种新的背景模板估计算法，并将其融入多尺度细胞自动机求解框架下，从而根据立体邻域空间中不同像素点的特征描述差异获得基于显著性分析的船舶检测结果。定性和定量实验结果表明，所提算法可以有效提高复杂背景下的船舶显著性检测效果。

针对目标检测领域对高检测精度和高检测速度共存的需求，提出了一种单阶段目标检测算法即性能平衡的YOLO算法(B-YOLO)，该算法首先引入空间注意力机制，利用多尺度最大池化层增大感受野范围; 然后采用跨阶段局部连接结构和直通层优化主干网络结构，改善计算效率; 最后在多尺度检测结构中增加自下而上的路径，并使用拼接操作进行横向连接，融合深层语义信息和浅层位置信息。实验结果表明，该算法在精度和速度之间取得了较好的平衡。

图像语义描述模型通常采用编码器-解码器方式实现图像语义描述,模型存在对图像特征利用不充分,图像目标的位置信息提取不足等问题。针对此问题,提出在编码器部分融合注意力机制的图像语义描述算法,通过解码器上下文信息对不同图像特征的注意力权重分配,从而提高图像语义描述的表达能力。并在Flickr30k和MSCOCO数据集上进行了验证,模型在BLEU-4评价指标上分别提升了1.9%和0.8%,实验证明了本文算法的有效性。

结合X射线荧光光谱法, 针对土壤中重金属元素Zn含量的预测问题, 提出基于深度卷积神经网络回归预测模型。 对原始土壤进行相关预处理, 用粉末压片法制作土壤压片, 采用X射线荧光光谱法(X-Ray-fluorescence, XRF)获取土壤光谱, 相比于传统检测方式, XRF法具有检测速度快、 精度高、 操作简单、 不破坏样品属性并且可实现多种重金属元素同时检测等优点, 故将XRF与深度卷积神经网络相结合, 实现对土壤中重金属Zn元素含量的精确预测。 采用箱型图来剔除X射线荧光光谱中的异常数据, 采用熵权法结合多元散射校正来对样品盒数据进行校正, 采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理, 可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。 针对卷积神经网络结构的特殊性, 将获取的一维光谱数据向量, 采用构建光谱数据矩阵的方式来进行处理, 将同一浓度、 同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵, 以该矩阵作为深度卷积神经网络预测模型的输入, 以适应卷积层的操作要求, 利用深度卷积神经网络特殊的结构模式, 能有效提取土壤光谱数据特征, 提高了深度卷积神经网络预测模型的学习能力, 降低模型的训练难度。 深度卷积神经网络预测模型采用3层卷积层搭建, 使用ReLU激活函数激活, 采用最大池化方式, 减少数据的维度, 增加Dropout层, 防止过拟合, 使用ADAM优化器对预测模型进行优化。 实验以平均相对误差(mean relative error, MRE)、 损失函数(LOSS)、 平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000, 并将深度卷积神经网络预测模型与BP预测模型、 ELM预测模型、 PLS预测模型进行对比, 以均方误差(mean square error, MSE)、 均方根误差(root mean square error, RMSE)、 以及拟合系数R2来分析比较预测模型的好坏, 结果表明, 基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP, ELM, PLS三种预测模型, 提高了预测精度。

红外光谱分析在自然科学、 工程技术等诸多领域发挥着重要作用。 随着计算机和人工智能技术的不断发展, 对红外/近红外光谱分析提出了更高的要求。 深度学习以人工神经网络为架构, 通过对数据进行分层特征提取完成特征/表征学习, 在解析数据细节特征方面具有独特的优势, 在计算机视觉、 语音识别、 疾病诊断等多领域得到成功应用。 尽管深度学习在图像、 音频、 文字分析方面获得了较好的效果, 但是在红外/近红外光谱数据分析中的应用还十分有限。 针对深度学习的卷积运算, 首先将一维傅里叶变换(Fourier transform infrared spectroscopy, FTIR)红外光谱数据通过对称点模式(symmetrized dot patterns, SDP)变换为二维RGB彩色图像, 然后将SDP变换得到的彩色图像数据作为VGG(oxford visual geometry group)深度卷积神经网络的输入进行深度学习, 建立基于红外光谱数据的分类识别模型。 对不同浓度甲烷(CH4)、 乙烷(C2H6)、 丙烷(C3H8)、 正丁烷(C4H10)、 异丁烷(iso-C4H10)、 正戊烷(C5H12)、 异戊烷(iso-C5H12)七种单组分烷烃及其混合气体SDP转化获得的224×224彩色(RGB)图像, 呈现出显著差别, 且更符合VGG卷积运算的数据格式。 将SDP-VGG方法应用于气测录井中甲烷浓度范围的识别: 气测录井气体为上述七组分烷烃气体的混合气体, 其中主要成分甲烷的浓度范围按照<20%, 20%～40%, 40%～60%, 60%～80%, 80%～100%分为5类, 不同七组分烷烃混合气体样本的红外光谱由红外光谱仪在波数范围为4 000～400 cm-1、 间隔12 nm的条件下扫描获得。 在未经过特殊预处理和特征提取的情况下, 采用随机选择的4 500个样本, 由SDP-VGG法建立的七组分混合气体甲烷浓度范围识别模型, 对5种甲烷浓度范围的识别准确率达到91.2%, 优于相同红外光谱数据所建立支持向量机(support vector machine, SVM)和随机森林(random forest, RF)模型的识别准确率88.7%和86.2%。 研究表明, SDP结合深度学习可以准确提取红外光谱数据的关键特征, 提高了红外光谱识别的准确率, 是一种更为有效的红外光谱分析方法, 具有广阔的应用前景。

提出了一种基于深度卷积神经网络估算大气湍流折射率结构常数 Cn2的方法。将湍流影响下的高斯光束光斑图像作为神经网络的输入,利用深度卷积神经网络提取图像的特征信息,得到 Cn2大小,并采用平均绝对误差、平均相对误差、均方根方差和相关系数四个统计量来衡量模型的估算效果。结果表明,该模型能够根据湍流影响下的高斯光束光斑图像对 Cn2进行估算,当迭代500次时,相关系数为99.84%,各项误差均在2%左右。该模型在大气湍流特性分析及大气湍流强度估算等领域有一定应用价值。

作为计算机视觉中的基本视觉识别问题, 目标检测在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象, 并为每个对象分配一个对应的标签。近年来, 深度卷积神经网络DCNN(Deep Convolutional Neural Networks)凭借其特征学习和迁移学习的强大能力在图像分类方面取得了一系列突破, 在目标检测方面, 它越来越受到人们的重视。因此, 如何将CNN应用于目标检测并获得更好的性能是一项重要的研究。首先回顾和介绍了几类经典的目标检测算法; 然后将深度学习算法的产生过程作为切入点, 以系统的方式全面概述了各种目标检测方法; 最后针对目标检测和深度学习算法面临的重大挑战, 讨论了一些未来的方向, 以促进深度学习对目标检测的研究。

针对蝇类昆虫物种繁多、特征复杂等因素, 导致蝇类识别准确率低、耗时较长等问题。本文借鉴深度学习方法中的人脸识别算法, 提出一种基于深度卷积神经网络的蝇类面部识别方法。首先, 在图像对齐过程中, 使用多任务卷积神经网络并进行优化即应用深度可分离卷积减少计算参数, 缩短图像预处理时间。其次, 应用轮廓特征粗提取和具体部位特征细提取相结合的方式提取更加丰富的特征信息: 即使用卷积池化粗提取出图像的轮廓特征值; 同时, 使用Inception-ResNet网络、Reduction网络细提取出具体部位特征值。最终在网络训练时, 结合上述方法使得提取到的特征信息更加精确全面。实验表明, 所提方法的准确率达到94.03％, 相较于其他网络训练方法, 该方法在保证较高准确率的情况下提升计算效率。

传统虚拟视点生成采用像素填充法对生成的虚拟视点图像进行空洞填充和伪影修复, 其修复效果无法满足自由立体显示需求。为了获取高质量的虚拟视点图像, 提出了一种基于深度卷积神经网络的虚拟视点生成方法。该方法采用随机初始化的深度卷积神经网络作为图像先验, 经过卷积神经网络结构的不断迭代, 对虚拟视点图像的空洞和伪影进行修复, 并将得到的高质量虚拟视点图像合成为自由立体图像, 用于自由立体显示。修复后的虚拟视点图像的PSNR均值为25.6, 相比传统像素填充方法有明显提升。实验结果表明, 所提方法能够实现高质量的自由立体显示效果。