现如今，短视频事件检测展现出广阔的应用前景。现有的事件检测研究普遍缺乏对关键帧重要性程度的考虑，且多是针对事件的显性语义进行学习，忽略了潜在语义及其相关性的学习在短视频事件检测中的作用。针对上述问题，提出了一种基于深度动态语义关联的短视频事件检测方法。首先，设计了帧重要性评估模块来获得具有区分度的帧重要性分数，其内嵌的变分自编码器和生成对抗网络联合结构可以最大程度地强化帧重要性信息；其次，设计了帧间自注意力增强模块，进一步协同帧间的重要性分数与其特征内在关联性的学习；最后，设计了动态图卷积下的隐藏属性关联学习模块来学习复杂事件的隐藏属性及事件之间的关联性，最终获得具有潜在语义信息感知的短视频检测系统并将其用于最终的短视频事件检测。在公开数据集和新构建数据集上进行了实验，实验结果表明了所提方法的有效性。

针对短视频流行度预测问题，提出了一种基于双向深度编码网络的短视频流行度预测模型，该模型同时考虑多模态融合和单模态监督的建模并将其整合为一个双向深度编码网络。多模态融合模块利用模态关联性解决原始特征之间的数据缺失和维度差异等问题，以获取更全面的特征表示。单模态监督模块利用模态差异性监督多模态特征融合。通过联合训练多模态融合和单模态监督任务，充分学习多模态信息的一致性和差异性以提高算法的泛化能力。在公开NUS数据集上的实验表明所提模型的有效性和优越性。

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。

目标特征表示是视觉目标跟踪领域中的一个热点话题。近年来,核相关滤波器因其时效性在目标跟踪中得到广泛应用, 但简单的灰度特征表示难以应对复杂环境中的目标跟踪问题。基于此,融合颜色特征提出了一种实时的目标跟踪方法。实验结果表明, 颜色信息可以有效提高目标跟踪的整体性能, 该方法能够适应姿态变化、光照变化等多种目标外观变化, 平均跟踪速度为62.1帧/s, 可以满足实时应用的需求。

小波包变换是小波变换的推广, 可视为普通小波函数的线性组合, 具有良好的时频局部性和正交性, 随着分解层数的增加, 小波包分解能够在所有的频率范围聚焦。利用图像小波包变换的系数矩阵, 能够构造出不同的人脸特征向量。针对人脸识别过程中的图像匹配问题, 采用计算人脸特征向量方差的方法, 并通过方差与权值的对应关系, 转换出用于相似度计算的权值。基于理论推导得到的权值具有很好的稳定性, 由这些权值计算出的方差相似度也具有较强的适应性, 能够减弱由图像噪声、变形等干扰带来的影响。实验表明, 该方法识别率高、实时性好。

本文提出一种方向梯度能量分形特征提取方法用于目标的特征描述。该方法中,提出了方向梯度能量、方向梯度总能量、总方向梯度能量、方向梯度能量分形特征、复数分形特征等的概念和算法,分析并得出了方向梯度能量分形特征的性质,提取了二维目标的分形特征用于SAR图像目标检测。理论分析和实验结果表明,采用这种方法能够有效地检测不同形状和不同尺寸的目标。同时,这种方法还具有编程简单、运算速度快等优点。