在C-3D卷积神经网络模型基础上,提出了一种三维可变形卷积神经网络以实现肺结节的检测。在模型的主体结构上,采用了三维可变形卷积和三维可变形池化的操作,解决了传统的方块卷积与池化在应对不规则的肺结节时,无法高效率地收集到肺结节像素点的问题。在模型的输入上,通过调整三维卷积神经网络的输入,实现了卷积神经网络对样本图片的32×32×32像素逐步扫描和识别,在扫描识别的同时进行定位,解决了肺结节定位问题。在模型的输出上,借鉴了全卷积神经网络的思想,将C-3D网络的第一层全连接层改为卷积层,解决训练时内存会溢出的问题。在模型参数上,提出了三种不同学习率和三种优化函数进行精确的实验对比,绘制了不同学习率和优化函数的参数对比图,根据实验结果找到最优的卷积神经网络模型学习率和优化函数参数。对实验结果的分析表明,该方法在受试者工作曲线下面积、分类准确率、召回率、F1值均取得了显著的提高。

使用基于深度学习的端到端去模糊方法,将模糊图像编码后再解码成高清图像。针对编码过程中网络模型存在提取特征信息不足,导致重建的去模糊图像质量下降的问题,提出两种网络结构改进方法:在自编码网络中添加密集网络结构以提高网络提取特征信息的能力;引入多尺度感受野结构,该结构由4个尺度的平均池化层和上采样层组成,从而提取更多输入图像的上下文特征信息。在GOPRO数据集和Kohler数据集,两种网络改进方法均取得了较好的图像重建效果。

当前车辆辅助驾驶系统的一个主要挑战就是在复杂场景下实时检测出多遮挡的行人，以减少交通事故的发生。为了提高系统的检测精度和速度，提出了一种基于改进区域全卷积网络(R-FCN)的多遮挡行人实时检测算法。在R-FCN网络基础上，引进感兴趣区域(RoI)对齐层，解决特征图与原始图像上的RoI 不对准问题；改进可分离卷积层，降低R-FCN 的位置敏感分数图维度，提高检测速度。针对行人遮挡问题，提出多尺度上下文算法，采用局部竞争机制进行自适应上下文尺度选择；针对遮挡部位可见度低，引进可形变RoI 池化层，扩大对身体部位的池化面积。最后为了减少视频序列中行人的冗余信息，使用序列非极大值抑制算法代替传统的非极大值抑制算法。检测算法在基准数据集Caltech 训练检测和ETH 上产生较低的检测误差，优于当前数据集中检测算法的精度，且适用于检测遮挡的行人。