为了解决现有的深度学习点云分类方法对局部特征挖掘不充分的问题并提升不同层级特征融合的质量，提出一种基于图卷积和多层特征融合的点云分类方法。首先，构造K邻域图，在此基础上利用改进的边缘函数提取更细粒度的边特征，并使用基于注意力机制的聚合方法获取更具代表性的局部特征。然后，通过多层特征融合模块调整中间特征的通道权值，引入残差连接融合不同层级的特征，加深网络层之间的信息传递。在标准公开数据集ModelNet40上的实验结果表明，相比其他点云分类方法，所提方法的分类性能更好，总体分类精度为93.2%，并且具有较强的鲁棒性。

提出了一种基于深度学习的3D脑肿瘤核磁共振图像(MRI)自动分割方法。为了降低分割难度,采用三级级联网络的策略分割脑肿瘤的三个子区域;为了进一步提高三维分割的精度,采用帧间卷积和帧内卷积,加入额外的多层特征融合机制和空洞卷积;为了进一步细化分割结果,将条件随机场构建的循环神经网络整合到网络结构中。在模型训练中结合了两种损失函数,进一步提高了准确率。该方法在BraTS 2018 数据集上进行验证,对于脑肿瘤整体、肿瘤核以及增强肿瘤,其分割结果的Dice系数分别达到了0.9093、0.8254 和 0.7855,Hausdorff距离达到3.8188、7.8487和4.3264,优于大多数脑肿瘤图像分割方法。

基于深度学习的表情识别方法存在参数量大、实时性差等问题,针对此问题,提出一种基于轻量卷积网络的多层特征融合的人脸表情识别方法。首先使用改进的倒置残差网络为基本单元搭建轻量卷积网络模型,然后采用池化、1×1卷积、全局平均池化法筛选卷积网络中的浅层特征,并对这些筛选的浅层特征与深层特征进行融合用于表情识别。在两个常用的真实表情数据集RAF-DB和AffectNet上对所提方法进行测试,识别准确率分别达85.49%和57.70%,且模型参数量仅有0.2×10 6。