当前基于深度学习的目标检测算法已较为成熟。然而，基于少量样本检测新类仍具有挑战性，因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练，在此基础上构建新类的特征空间。然而，新类基于多个基类隐式地构造特征空间，其结构较为分散，导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头，提升模型对训练样本的利用率，基于二者间的语义相似度，显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数，提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明，所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。

深度学习(DL)在语音识别、图像物体识别上取得了卓越的成效, 深度学习代替传统处理技术, 成为了研究该领域的主要处理方法。在雷达领域, 深度学习用于雷达目标识别和分类, 也取得了很好的效果, 进而, 人们试图将深度学习用于雷达成像。本文根据近几年所公开的文献资料, 按照雷达成像的特点, 分类介绍深度学习用于雷达成像的研究进展; 之后, 对深度学习用于雷达成像的可行性、样本选取、泛化以及成像质量的评价等开放性问题提出了作者的设想, 并对深度学习用于雷达成像进行了展望。

现代爆破工程研究中, 炸药岩石的匹配模型为揭示爆破过程内在机制和预测爆破系统的经济效益提供了科学依据, 已经成为不可替代的重要工具。但由于土岩介质的多样性和复杂性、炸药爆炸过程的不确定性, 炸药岩石的相互作用在爆炸过程中就更为复杂和不确定, 很难从其相互作用过程来研究炸药与岩石的匹配。早期的研究主要是依靠经验公式与现场试验进行推算总结, 往往存在特征值高, 适用环境苛刻的情况, 而机器学习的特点是只考虑开始和结果, 不计较中间过程, 这保证了其在炸药岩石匹配模型研究中的普适性。而XGBoost算法结合多线程、数据压缩、分片的方法, 具有在数据量大的情况下算法效率较高的优点, 适用于数据量较大的现场数据训练学习。鉴于此, 依托贵州某矿开展现场试验, 采用XGBoost算法建立炸药与岩石匹配系统, 通过成功实例对网络进行训练, 并将训练过的神经网络应用于实际工程。结果表明: 采用这种方法所建立的匹配系统选用的炸药与目前使用的工业炸药性能相近, 误差在±10%以内, 具有较高的可信度, 进一步验证了基于XGBoost算法的炸药岩石匹配系统合理性。

大量的训练样本可有效缓解模型过拟合，从而提高分类效果。在初始标记样本较少的情况下，开展借助不同尺度的同质区快速扩增大量高精度训练样本的实验，并利用初始标记样本和扩增样本训练支持向量机（Support Vector Machine, SVM）分类器，实现对高光谱数据的有效分类。该方法在Pavia University、Salinas和Indian Pines三种高光谱数据上均能获得大量高精度的训练样本，分类精度分别达到99%、99%和97%以上。实验结果表明，扩增的大量伪标签样本可以有效训练SVM分类器，提高分类效果。

获取物体的光谱反射率是准确再现物体在各种光照条件下真实颜色的关键保证, 这对纺织服装、 出版印刷、 网络电商、 远程医疗等对颜色有较高要求的行业有重要作用。 光谱反射率重建的目的是利用训练样本建立数码相机等通用设备所获取的RGB三色值和光谱反射率高维向量间的映射关系, 从而避免使用分光光度计等专业设备所带来的成本高、 操作复杂、 分辨率低等问题。 训练样本的选择是影响光谱反射率重建算法效果的重要因素。 从物理角度看, 光谱反射率是一条关于波长的光滑曲线, 光谱反射率向量最大的相关性特征就是其光滑性, 因此, 训练样本的选择应同时考虑空间距离和形状的相似性。 针对局部学习方法中局部样本选择问题, 提出一种能同时考虑光谱反射率向量形状相似和空间距离相近的更加有效的训练样本选取方法, 以提高光谱反射率重建的精度。 该方法利用待测样本与训练样本之间的加权欧氏距离与向量夹角距离结合后赋予不同权重作为相似性度量, 根据样本容量动态地选出相似度较高的样本。 实验以孟赛尔半光泽数据集(munsell matte)为样本集, 基于伪逆法进行光谱反射率重建, 以光谱均方根误差和色差为评价指标, 与加权欧氏距离方法从样本选择的有效性和重构精度两方面进行比较。 实验结果表明, 基于改进加权欧氏距离的样本选择, 能够在保证均方误差最小的条件下, 显著降低色度误差, 同时添加不同噪声水平后, 文中方法的均方根误差和平均色差依旧保持最小, 该方法能够更好地利用局部样本的信息, 而且具有较好的抗干扰能力, 可以有效地提高光谱反射率重建的实际应用效果, 进而为颜色的真实再现提供保障。

为提高利用红外光谱数据鉴别中药材产地的预测模型效果, 应该选用合适的数据预处理方法和合适的算法。 针对具有3 448个特征（波长551～3 998 nm）的658条红外光谱中药材数据, 借助于支持向量机(SVM)算法, 研究了10种基于样本预处理方法（不做预处理、 最大最小归一化、 标准化、 中心化、 移动平均平滑、 SG平滑滤波、 多元散射校正、 正则化、 一阶导数和二阶导数法）与5种基于特征波长预处理方法（不做预处理、 中心化、 最大最小归一化、 标准化和正则化）的组合（共50种）对产地模型预测精度和稳定性的影响。 结果表明: 合适的数据预处理对提高模型精度是必要的; 标准化和最大最小正则化方法光谱的预处理建模效果较好, 其预测系数值约85%; 基于特征的预处理对模型预测效果改进小。 只做光谱预处理或基于特征预处理的预测稳定性值近似相等（两类方式的决定系数平均值都近64%）; 基于样本+特征的组合预处理方法中, 二阶导数+标准化处理和二阶导数+正则化组合处理方法的模型预测效果好, 其决定系数R2达到近94%; 而中心化+正则化组合处理达不到直接采用原始数据（不做数据预处理）的建模效果, 该方法预测效果最差。 该研究的方法和结论为具有高维光谱特征的药材产地鉴别和选取有效的预处理方法提供了参考, 对进一步分析药材药效和化学成份有重要的意义, 也可供其他光谱数据分析借鉴。 也为高维小样本数据建模的前期数据处理提供了思路。

糖度是评价苹果内部品质的重要指标之一。 建立苹果糖度预测模型时， 建模样本和波长的质量影响模型的准确性和后期的更新维护。 以90个苹果样本为研究对象， 采集350~1 150 nm波段共1 044个波长的苹果近红外漫透射光谱， 研究基于最小角回归索套算法(LASSOLars)优选建模样本和波长的有效性和可行性。 结合使用Norris平滑、 一阶微分和归一化变量排序对光谱预处理。 根据浓度排序划分样本集的75%为原始训练集(68个)和25%为预测集(22个)， 使用LASSOLars建立优选训练集， 对比LASSOLars和蒙特卡罗无信息变量消除、 竞争性自适应重加权法， 从样本、 波长的数目和分布以及模型的结果进行对比分析。 结果表明， 优选训练集压缩了原始训练集16%的样本， 在不改变原始训练集平均水平的前提下， 更接近预测集分布， 没有削弱模型质量。 优选和原始的训练集交叉验证均方根误差RMSECV分别为0.460和0.491， 交叉验证决定系数R2CV分别为0.913和0.916， 预测集均方根误差RMSEP分别为0.462和0.471， 预测集决定系数R2P分别为0.909和0.906。 LASSOLars筛选出40个信噪比高的波长， 数目最少， 建立的模型效果最好， RMSECV， R2CV， RMSEP， R2P和RPD分别是0.933， 0.400， 0.944， 0.373和2.838。 基于LASSOLars优化建模样本和波长建立苹果糖度预测模型， 拓展了LASSOLars算法在子集选择方面的应用， 为优化、 更新和维护模型提供思路。