针对辐射源个体识别高精确度、轻量化、实时性的现实应用需求, 提出了面向广播式自动相关监测(ADS-B)信号辐射源个体识别的轻量化模型设计方法。根据信号数据特点进行解码处理, 并对不均衡样本进行权重调节, 改善样本质量; 通过分组卷积获取不同维度的细微特征, 与初始特征拼接, 实现多维互补特征融合, 并联同步进行提高识别效率。利用 Ghost bottleneck结构实现网络模型压缩与跨层连接, 在融合多维特征的同时节省计算资源。实验结果表明, 本文算法结构精简, 计算量低, 识别率达到 95.2%, 并在不同容量的样本识别中效果稳定。本文算法较好地平衡了辐射源个体识别精确度、轻量化与高时效的需求。

基于计算机视觉的图像识别和处理技术迅速发展，因此，X射线焊缝图像智能化评片已成为无损X射线检测的研究热点之一。快速准确识别焊缝内部小目标缺陷是智能评片的一个难点，鉴于此，本文提出了一种基于YOLOv5-Tiny的轻量型焊缝缺陷识别方法。首先，在Backbone部分加入注意力机制SELayer，使模型实现持续的性能提升；然后，用GhostBottleneck模块替换Head层中的C3模块，保留边缘信息；最后，去除用于检测大物体的13×13特征层，并将多数普通卷积替换成深度可分离卷积，加快模型的训练与预测。模型分别采用DIoU与CIoU两种损失函数进行训练。实验结果表明：与YOLOv5s模型相比，YOLOv5-Tiny模型的参数量减少了33.6%，处理速度提升了17.5%，预测权重减小了32.8%，更好地实现嵌入式使用，模型的平均精度均值得到提升。

针对深度学习目标检测算法由于模型体积过大、参数量过多而在星上部署困难的问题，在YOLOv5检测模型的基础上，提出了一种轻量化的光学遥感影像目标检测算法——LW-YOLO。首先，针对YOLOv5网络中的特征信息冗余所带来的计算开销，引入轻量化Ghost模块替换网络中的普通卷积以减少参数量；接着，设计了一种空间和通道融合的注意力模块Fusion Attention（FA），并在此基础上重构了网络的瓶颈层FABottleneck，进一步减少参数量，并提高算法对于光学遥感影像目标的定位能力；最后，提出了一种稀疏参数自适应的网络剪枝方法对网络进行剪枝，进一步压缩模型大小。在DOTA数据集上的实验表明，LW-YOLO算法相比于YOLOv5s参数量下降了64.7%，模型大小下降了62.7%，推理时间降低了3.7%，同时平均精度均值仅仅下降了6.4%。该算法以较小的精度损失为代价实现了网络模型的轻量化，为星上光学影像在轨目标检测提供了理论基础。

为了解决深度学习模型在人脸表情识别研究中存在的数据集需求量大、硬件配置要求高等问题,提出了一种基于卷积注意力的轻量级人脸表情识别方法。首先,用分解卷积对模型参数进行降维处理;然后,在模型中嵌入卷积注意力机制模块,以提高模型的特征提取能力;其次,针对数据集中的类别不平衡问题,采取代价敏感的损失函数对模型进行优化;最后,进行表情识别任务前将模型在人脸识别数据集上进行预训练,以提高模型提取人脸特征的能力。实验结果表明,本方法能在有效降低模型复杂度的同时保持较高水平的检测效果,且具有较强的实用性。

为满足自动驾驶、人机交互等任务对语义分割算法准确度和实时性的要求,提出一种基于特征融合技术的实时语义分割算法。首先,利用卷积神经网络自动学习图像深层特征的功能,设计一个浅而宽的空间信息网络输出低级别的空间信息,以保持原始空间信息完整性,从而生成高分辨率特征;接着,设计一个语境信息网络来输出深层次、高级别的语境信息,并引入注意力优化机制来代替上采样,优化网络的输出;最后,将两路输出特征图进行多尺度融合,再上采样得到与原始输入尺寸相等的分割图像。两路网络并行计算,提高了算法的实时性。在Cityscapes、CamVid数据集上对该网络框架进行一系列实验。其中,在Cityscapes数据集上取得了68.43%的均交并比(MIOU)。对于640×480的图像输入,在一块NVIDIA 1050T显卡上的速度为14.14 frame/s。本文算法在准确度上大幅超越现有实时分割算法,基本满足人机交互类任务对实时性的要求。

针对SAR图像舰船目标识别中存在的数据不平衡问题提出了一种基于批内平衡采样和模型微调的两阶段迁移学习方法。首先使用批内平衡采样方法得到类间数量平衡的训练集, 然后使用该数据集预训练模型, 最后通过迁移学习和模型微调继续训练不平衡数据并完成测试。针对一般三通道CNN模型在处理单通道SAR图像时会出现参数冗余的问题,设计了一种用于SAR图像识别的轻量化CNN模型。通过单通道卷积核、深度可分离卷积和用全局平均池化代替全连接层3种策略有效降低了模型的参数量。在公开数据集OpenSARShip上的实验结果表明: 所提方法有效提升了少数类的识别精度, 缓解了数据不平衡问题对识别结果的影响; 所提轻量化CNN模型在保证识别精度基本不变的前提下, 使传统三通道CNN模型的模型大小和单次迭代时间分别降低约58.86%和63.62%。