基于激光结构光视觉传感的焊缝跟踪技术将焊缝定位转化为结构光条纹特征点的定位，具有较强的普适性。然而，实时焊缝跟踪中弧光（焊接电弧产生的强烈可见光）、飞溅（溅射焊渣）、烟尘等噪声对结构光图像造成了严重的污染，从而影响了焊缝定位的精度和鲁棒性。滤除结构光图像中的噪声对于提升焊缝定位的精度和鲁棒性具有重要作用。为滤除焊缝结构光图像中的噪声，本文提出了一种基于轻量化DeepLab v3+语义分割网络的焊缝结构光图像分割方法，通过分割出结构光条纹的前景图像来达到噪声滤除的目的。采用浅层Resnet-18网络替代DeepLab v3+的原始深层骨干网络，以提高分割效率；以像素占比的补数为权重设计了加权交叉熵损失函数，以提高结构光条纹分割的像素准确率。实验结果表明：所提方法的平均单张图像推理时间为15.9 ms，结构光条纹的像素准确率为96.47%，结构光条纹的平均交并比为89.04%，可以实现高效、精确、鲁棒的结构光图像分割，从而达到焊缝结构光图像中弧光、飞溅、烟尘等噪声滤除的目的。

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。 该方法采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。

针对目前Deeplab v3+模型进行图像语义分割时部分细节损失严重，存在漏分割、误分割现象，在其算法基础上构建了新的语义分割模型N-Deeplab v3+。新模型设计异感受野拼接的空洞空间金字塔池化结构，增强各层级信息间相关性；增设多次跨层特征融合，提升对图像细节的表征力；构建基于注意力机制的特征对齐模块，引导高低级特征对齐并有针对性地强化对重要通道特征的学习，提升模型学习能力。在Cityscapes数据集上的实验结果表明，所提改进方案能够有效提高小尺度目标关注度，缓解目标误分割问题，提升模型语义分割精度。在PASCAL VOC 2012数据集上进一步验证新模型的泛化能力。N-Deeplab v3+模型在Cityscapes数据集和PASCAL VOC 2012数据集上的平均交并比达76.31%和81.97%，较原模型分别提升了1.69个百分点和2.14个百分点。

针对黑色素瘤与非黑色素瘤在视觉上相似度高、颜色多样、边缘模糊、异物遮挡等情况而导致皮肤病变分割效果差的问题,提出一种基于U型结构的上下文编码解码网络,通过采用高效双通道注意力机制模块和空洞空间金字塔池化模块来捕获更多的语义信息与空间信息,以提高皮肤病变的分割精度。在ISIC 2017皮肤镜图像数据集上进行训练和测试,实验结果表明,本文算法分割结果的相似度系数(Dice_Coefficient)高达88.74%,比目前主流语义分割网络模型DeepLab V3 Plus高3.15个百分点,比医学领域经典U-Net网络高9.93个百分点,且运行速度快和稳定性好,能对黑色素瘤实施有效分割,分割图像边缘连续、轮廓清晰,在定量分析和识别中使用效果良好。

图像语义分割是现代自动驾驶系统的一个必要部分, 因为对汽车周围场景的准确理解是导航和动作规划的关键。为提高自动驾驶场景的图像语义分割准确率, 且考虑到当下流行的基于卷积神经网络的语义分割模型（DeepLab v3+）无法有效地利用注意力信息, 导致分割边界粗糙等问题, 提出一种融合底层像素信息与通道、空间信息的语义分割神经网络。在卷积神经网络中插入注意力模块, 提取出图像语义级别的信息, 通过学习图像的位置信息和通道信息得到更加丰富的特征; 从卷积神经网络输出的各类别得分值计算出单点势能, 且从初步分割图和原图得到成对势能, 以便全连接条件随机场对图像的全部像素进行建模, 并且优化图像的局部细节; 全连接条件随机场通过迭代得到语义分割的最终结果。在CityScapes数据集上进行了测试, 与DeepLab v3+相比较, 改进后的模型分别提高了均交并比和均像素精度等关键指标1.07%和3.34%。它能够更加精细地分割目标, 较好地解决分割边界粗糙, 有效地抑制边界区域分割的过度平滑和不合理孤岛等问题。