为解决行人检测任务中低能见度场景下单模态图像漏检率高和现有双模态图像融合检测速度低等问题，提出了一种基于双模态图像关联式融合的轻量级行人检测网络。网络模型基于YOLOv7-Tiny设计，主干网络嵌入关联式融合模块RAMFusion用以提取和聚合双模态图像互补特征；将特征提取部分的1×1卷积替换为带有空间感知能力的坐标卷积；引入Soft-NMS改善结群行人漏检问题；嵌入注意力机制模块来提升模型检测精度。在公开的红外与可见光行人数据集LLVIP上的消融实验表明：与其他融合方法相比，所提方法行人漏检率降低、检测速度显著提高；与YOLOv7-Tiny相比，改进后的模型检测精度提高了2.4%，每秒检测帧数达到124 frame/s，能够满足低能见度行人实时检测需求。

卷积神经网络已在图像超分辨率领域得到广泛应用，Transformer近年来在该类图像处理任务中的扩展更是具有里程碑的意义，然而这些大型网络具有过多的参数量和计算量，其在部署和应用上存在很大局限性。考虑到上述发展现状，提出一种基于交错组卷积与稀疏全局注意力的轻量级图像超分辨率重建网络，该网络引入了以交错组卷积为主的特征提取模块，对Transformer的多头自注意力机制进行优化，设计了一种稀疏全局注意力机制以增强特征学习能力，并提出了一种多尺度特征重构模块来提高重建效果。实验结果表明：相比其他几种基于深度神经网络的方法，所提方法的PSNR、SSIM、参数量、计算量等性能指标都表现较好。而与基于Transfomer的方法相比，所提方法在PSNR、SSIM指标上平均提高0.03、0.0002，在参数量、计算量、运行时间上平均降低2.66×10⁶、130×10⁹、930 ms。

食管鳞癌（ESCC）是我国常见的消化道恶性肿瘤之一。临床上，窄带成像联合放大内镜（NBI-ME）能够显示出食管粘膜层的微血管形态变化，是诊断ESCC的重要手段。针对ESCC识别模型难以兼顾识别准确率和推理效率的问题，提出一种融合注意力机制的轻量化残差网络（CALite-ResNet）对食管NBI-ME图像进行分类。从多家医院采集到206例患者共11468张NBI-ME图像作为本研究数据集。实验结果表明，ESCC识别的准确率和敏感度分别在图像级别达到96.39%和95.70%，在病人级别达到95.70%和94.62%，单张食管图像的平均预测时间为16.42 ms。因此，CALite-ResNet模型对ESCC具有较高的识别准确率和较快的推理效率，能够为ESCC的临床辅助诊断提供有效帮助，具备一定的临床意义与应用价值。

针对当前YOLOv5s的颈部特征提取网络PANET的特征提取不足、常规卷积Conv消耗了大量的参数量和计算量的问题, 提出一种轻量化目标检测算法(RFBG-YOLO)。首先,为了提升检测器识别效果, 提出多分支空洞卷积结构RFB-Bottleneck来提升PANET的特征提取能力, 提高模型检测精度; 然后, 为了使模型更加轻量化, 引入GhostConv卷积减少模型参数量, 提高检测速度。在PASCAL VOC数据集上的结果表明, 在检测速度影响很小的情况下, RFBG-YOLO 算法的mAP@0.5为80.3%, 与YOLOv5s算法相比提高了2.2个百分点, mAP@0.5∶0.95为55.1%, 与YOLOv5s算法相比提高了4.2个百分点, 模型参数量为5.2 MiB, 与YOLOv5s算法相比降低了2.0 MiB, 因此提出的RFBG-YOLO算法在保证模型轻量化的同时, 具有足够高的检测精度, 可以满足在轻量化目标检测场景下检测准确度的要求。

遥感图像存在背景复杂、目标小且密集排列等问题，基于深度学习的目标检测方法可以提高目标检测的准确率，但是普遍存在模型参数量较多、检测速度一般的问题。针对上述问题，提出一种基于改进YOLOv4的遥感图像目标检测方法。首先采用轻量化网络Mobile NetV3代替YOLOv4的原特征提取网络，提高检测速度；其次在预测层中串联自注意力机制，使用改进非极大值抑制算法进行后处理；最后，在图像预处理中通过Mosaic方法进行数据增强，使用K-means方法获得更匹配遥感目标的候选框参数，在预测层中使用Complete Intersection Over Union（CIoU）损失函数进行坐标框定位。实验数据集由NWPU VHR-10和DOTA两个经典遥感数据集共同组成，包含船、车辆、港口等10个类别。结果表明，当遥感图像输入尺寸为608×608时，检测速度为54 frame/s，是YOLOv4检测速度的1.6倍，平均精度均值达到85.60%，所提方法在保持较高检测精度的同时，减小了参数量、提高了检测速度。

遥感图像检测在计算机视觉领域中是一项具有挑战性的任务，目前的遥感图像检测方法在提升精度的基础上忽略了速度，而在资源勘测和海上救援等需要实时检测的场景中，提高检测速度也是必不可少的。基于此，提出了一种轻量化的目标检测网络，以实现检测精度和速度的权衡。基于YOLOv4进行设计，将原主干网络替换为剪枝后的MobileNetV2，将特征提取部分的普通卷积计算替换为深度可分离卷积以大幅度减小模型计算量，同时嵌入感受野增强模块和注意力机制模块以提升模型检测精度。在遥感图像数据集上的实验结果表明：所提网络的平均准确率达到了89.80%，检测速度达到33.4 frame/s；与YOLOv4相比，平均准确率仅下降了1.48个百分点，但检测速度提升了近1.5倍；与YOLOv4-Tiny相比，平均准确率提升了9.05个百分点。所提模型实现了速度和精度的权衡，权重仅为44 MB，易于部署，且能满足实时检测场景需要。

随着无人机的快速发展与应用, 无人机的普及也对公共安全、**安全和个人隐私等造成了一定的安全隐患。无人机具有飞行速度快、体积小等特点, 如何精准快速地发现并定位无人机位置具有一定的挑战。针对此问题, 提出了一种基于沙漏瓶颈模块的YOLOv3无人机实时检测算法。首先, 将原本3个特征尺度检测扩展为在5个特征尺度上进行检测, 充分利用多尺度信息帮助提升小目标检测精度; 然后, 堆叠沙漏瓶颈模块作为该方法的骨干网络部分, 沙漏瓶颈模块作为一种轻量化网络对模型进行加速, 并使用通道注意力机制在上采样之后的拼接部分关注更重要的通道信息, 抑制不利的信息。为了验证所提算法的有效性, 生成基于复杂城市背景下的无人机数据集, 实验结果表明, 所提算法的精度能够达到98.92%, 且具有98.76%的召回率, 在1080Ti上达到62.37 帧/s的实时速度, 模型权重大小仅为5.38 MiB, 为进一步在嵌入式平台和移动端实现实时目标检测提供了可能。

光纤是现代通信系统及量子保密通信网中不可或缺的传输介质。针对光纤端面缺陷对光传输系统造成传输质量下降甚至永久性损伤的问题，提出了一种改进YOLOv5算法的光纤端面检测模型YOLOv5_CS。该模型首先将轻量化网络ShuffleNetV2作为主干特征提取网络，利用深度卷积操作以及通道随机混合策略，缩减模型容量，丰富特征信息；随后引入卷积注意力机制（CBAM），同时在空间维度和通道维度上进行特征增强，提升网络性能；最后缩减特征融合层的卷积核数量，实现进一步的模型压缩，并利用数据增广技术构建的光纤端面数据集，对所提方法的有效性进行对比验证。结果表明，与YOLOv5算法相比，所提模型的模型容量压缩了80%，检测速度提升了31.1 frame/s，均值平均精度（mAP）提高了1.7%，能够较为准确以及实时地检测光纤端面缺陷。此项工作面向便携式智能检测装置的研制，可为光纤端面缺陷检测及相关视觉传感产业提供技术支持。