目标检测是计算机视觉领域的核心任务之一。随着深度学习的迅猛发展，基于深度学习的目标检测技术已经成为该领域的主流算法，被广泛应用于人脸检测、车辆检测、行人检测以及无人驾驶等领域。本文系统总结了当前基于深度学习的目标检测算法的研究进展，对各算法的优、缺点及其在VOC2007和COCO数据集上的检测结果进行了全面分析，并对基于深度学习的目标检测算法的未来发展进行了展望。

针对传统建筑物提取方法对人为设计的依赖,以及对建筑物边缘特征提取算法的改进,通过Keras框架获取卷积神经网络（convolutional neural networks,CNN）模型MobileNet的瓶颈层后加入新的分类器进行迁移学习,对输入图片进行大量的图像增强技术和测试集增强技术,经过三个阶段的迁移学习后获得了较高的准确率。相比其他的特征提取算法,CNN具有平移不变性以及自动提取特征等优点,在较短的时间内获得较高准确率的同时,MobileNet的权重仅有15.3 MB,兼顾计算量和精度,可以广泛移植到移动端设备。基于模型移植的移动端系统兼具拍照识别、相册识别、菜单展示等功能,为移动平台用户快速准确地判断自然场景中建筑物的信息提供了便捷工具。

从轨迹结构特征出发，分析轨迹内部及整体特征，提出融合特征熵的轨迹结构异常检测方法（TSAD-FE，trajectory structure anomaly detection method based on feature entropy）。根据开放角将轨迹划分为轨迹片段，运用线性回归模型对轨迹片段局部特征进行拟合，完成轨迹片段划分;引入轨迹结构框架描述轨迹内部特征属性，应用轨迹结构距离衡量轨迹片段之间的距离，并提出利用熵对特征权重赋值的方法，全面考虑轨迹内部特征对轨迹的影响;运用DBSCAN（density-based spatial clustering of applications with noise）聚类算法将轨迹集划分为若干簇并提取代表轨迹;通过比较轨迹片段与代表轨迹的结构相似度，提取异常轨迹片段，从轨迹整体上考虑异常轨迹片段占比，进而挖掘出异常轨迹。使用多个数据集的实验表明，融合特征熵的轨迹结构异常检测方法能够从轨迹空间形态及内部特征属性上发现异常，可以全面地发现明显异常轨迹及其分段，使检测结果更具有实际意义。

针对许多现实数据集不仅包含行列簇之间的大量重叠，还包含不属于任何簇的异常值，提出了一种最大化模块度的可重叠的联合聚类方法(OMMCC)，即行簇和列簇都允许重叠，并且数据矩阵的行列离群值都不分配给任何簇。具体的，设计了统一框架将数据的非穷尽与可重叠的约束加入目标函数，通过使用迭代交替优化过程直接最大化模块度，高效地获得更好的块对角非穷尽可重叠联合聚类，且重叠程度和非穷尽程度的参数易于理解。实验结果表明，本文方法非常有效、稳定并且优于其他联合聚类算法。

现有的图像翻译方法在涉及两个域以上的翻译任务时缺少可拓展性和鲁棒性。为了实现高质量、高效率的翻译，提出了一种基于条件投影的无配对数据图像转换方法。该方法通过计算生成器学习到的特征信息与条件信息的相似度，来提升翻译的正确性并生成更高质量的图像。相较于现有方法，所提方法使用的参数更少、训练时间更短，并基于多个数据集验证了所提方法的有效性。

针对缺少标记的情感图像数据会严重影响卷积神经网络（convolutional neural network,CNN）性能的问题,利用半监督动态学习的方法建立了大规模的图像情感数据集——Large-scale deep emotion(LSDE)数据集。为了有效弥补图像特征和人类情感之间的差异,先将图像目标与背景进行分离,之后使用关系学习网络获得基于前景和背景图像的不同层级间的关系。在LSDE数据集、Twitter2数据集以及ArtPhoto数据集上的实验结果表明, 关系学习网络能够有效地提取图像的多层级特征并学习到不同层级特征之间的关系, 弥补图像特征和人类情感的差异,提高图像情感识别的准确率。

在图像检索领域，将三元组排序损失应用于深度神经网络权重的更新，可以使生成的图像表示保存更多的语义特征, 但是三元组排序损失没有全面的考虑不同类别图像之间的关联。为此提出了一种四元组完备损失，此损失函数将图像类间相似性小于类内相似性的特点融入到损失函数的构建中。与三元组排序损失函数相比，此函数可以更全面地体现查询图像与同类和不同图像之间的相似性关系。进一步，本文还提出了一种有效的基于四元组的深度网络结构，可用于图像的哈希检索。实验结果表明，提出的方法能够在CIFAR-10、SVHN和NUS-WIDE图像库中取得良好的检索性能。

多源数据的知识发现是当今大数据时代所面临的重要课题，但在形式概念分析领域的相关研究并不多。基于此，首先提出了多源决策形式背景的概念。进而，研究了多源决策形式背景的属性约简，讨论了其与单源决策形式背景属性约简间的关系。最后，提出了多源决策形式背景的规则获取方法。

在决策演化集理论体系下，预测规则是伴随实际规则而产生的，因此预测规则必然会对实际规则产生影响,但目前对于两者相互作用的机制仍不清楚。本文引入博弈论方法，构建预测规则和实际规则的博弈矩阵，通过计算它们的收益，分析它们对决策信息系统所带来的影响。

特征选择是高维小样本癌症基因数据分析的首要和关键步骤, 但是现有特征选择算法存在特征子集依赖于训练样本且随训练样本不同而变化的问题。为了解决特征选择过程的特征子集不稳定问题, 提出一种基于核极限学习机的集成特征选择方法, 利用5-折交叉验证划分原始数据, 对各训练集继续采用5-折交叉验证进行划分并进行特征选择, 以所得5个特征子集之并集作为该训练集的特征子集, 构造核极限学习机评价该特征子集的分类性能, 以原始数据集5-折交叉验证所得特征子集的平均Jaccard系数评价特征选择算法所选特征子集的稳定性。5个基因数据集的实验测试以及与经典特征选择算法SVM-RFE、LLE Score、ARCO、DRJMIM、Random Forest和mRMR的实验比较表明, 本文算法不仅能选择到稳定的特征子集, 且所选特征子集具有很好的泛化能力。

在监督分类学习中，标签噪声对模型有重要的影响；而现有的标签噪声过滤方法一般都是基于模型的预测结果对噪声样本进行检测并去除，当噪声样本较多时，去除噪声样本的同时将会影响原来样本的完整性，使样本信息缺失。针对这一问题，提出一种基于主动学习的标签噪声清洗方法(active label noise cleaning based on classification with gaussian process，GP_ALNC)，该方法将高斯过程模型和主动学习相结合，从已有标签样本集中筛选出不确定性最高的样本交给人工专家进行检验，通过这种迭代方法清洗掉大部分噪声数据的同时保持了原有数据的完整性；并针对二分类任务中的标签噪声问题，在MNIST数据集和UCI数据集上，与已有方法ALNR(active label noise removal)以及ICCN_SMO(iterative correction of class noise based on SMO)进行了实验对比，并取得了不错的表现。

针对传统运动历史图像难以区分相似运动的缺陷，提出了一种基于改进运动历史图像和支持向量机的行为识别方法。首先提取视频帧的前景运动目标并标记出其外接矩形框，计算矩形区域内各像素的光流矢量；然后设定运动历史图像中前景像素点的灰度值为该像素点的光流长度叠加一定权重的历史灰度，而背景像素点的灰度值则按一定比例进行衰减；最后从运动历史图像中提取Hu矩为特征向量，输入支持向量机进行分类，从而完成人体行为识别。在KTH数据集的实验结果表明，所提算法能够满足实时性要求，识别率可达99%。

针对恶劣天气情况，提出基于随机森林交通流量预测模型，基于2016年纽约市出租车数据以及天气情况，对原始GPS数据进行层层筛选，筛选出符合恶劣天气条件定义的数据，以随机森林回归方法为基础研究恶劣天气下交通流量的预测模型，并通过调整模型的超参数改善了模型的性能；同时将随机森林模型与BP神经网络模型和决策树模型做了性能对比，随机森林预测模型最终取得的实验结果较好。

针对深度卷积神经网络中存在的过拟合问题，本文提出了一种确定性连接丢弃的正则化方法。核心思想是根据不同卷积滤波器权重对结果的贡献度不同，确定性丢弃卷积层层间连接，通过降低卷积滤波器权重的空间维度，使得卷积神经网络各层之间的连接更稀疏。通过将算法应用于图像分类任务来验证算法的性能,在MNIST、CIFAR-10和CIFAR-100数据集上，错误率分别为0.32%、5.33%、26.88%，相比于原始实验错误率分别降低0.15%、1.09%、1.36%。实验表明，本算法能够有效处理深度卷积神经网络的过拟合问题，并能提升网络的鲁棒性和泛化能力。

语种识别中现有的总变化因子分析仅能反映语音数据的整体结构，不能挖掘其局部内在结构信息, 并且未考虑训练语音数据的语种类别。针对此问题，提出了基于邻域保持嵌入算法的语种识别，通过构建邻接图以获得语音数据的局部邻域结构，同时通过有监督训练有效利用语音数据的语种标注信息。在2011年美国国家标准与技术研究院语种识别评测的30 s和10 s测试集上进行了对比实验。实验结果表明，邻域保持嵌入算法能够有效弥补总变化因子分析的不足，可明显提高系统的识别性能。

根据图模型的结构特征和参数特征等要素设计生成随机的模型，根据顶点数与度的大小生成随机结构的CP-nets，其原理是通过改进Prüfer编码得到DAG编码，又建立DAG编码与图结构的一对一映射实现图模型的随机生成。通过设计的占优查询算法与典型的占优查询相结合验证了占优查询算法的时间消耗严重依赖于图拓扑结构的随机性和参数数量的随机性。

针对具有较强相关性、冗余性和大数据量的图像，提出了基于真随机数和伪随机数相结合的图像加密算法。首先计算行、列置乱的迭代初始值，应用二维Logistic 映射产生混沌序列;为了增强系统的安全性，采用扩展的异或操作,对图像进行行、列置乱；最后对图像进行扩散操作并获得加密图像。实验结果表明，提出的算法具有较高的安全性并能够抵御多种攻击。

图像隐私保护主要应用于云计算领域，而针对图像或视频的识别任务一般需要其视觉可见，因而往往忽略了隐私保护问题。为了解决这类问题，受到基于压缩感知（compressed sensing，CS）的稀疏表示分类识别算法对于遮挡或污染图像具有较强鲁棒性的启发，提出了一种单层CS采样的扩展模型，使得经过多层CS采样编码后的图像虽然质量退化、内容逐渐变得不可辨别，但依然能够用于图像识别，达到视觉隐私保护的目的。为了能够对多层CS采样编码图像进行图像内容隐私保护度的有效评价，基于人类视觉系统（human visual system，HVS），利用多层CS图像对比度和图像视觉结构退化的特点，通过度量图像对比度和提取图像局部二进制模式（local binary pattern, LBP）特征，提出了面向多层CS图像的内容隐私保护度评价模型（MCS-CPPE）。通过在构造的三大数据集上进行与人眼视觉相关性的实验，验证了所提出的模型有较好的预测性能和效果。

模型压缩和对抗鲁棒性在深度学习模型落地到实际应用场景中扮演着重要的角色，本文将二者结合到同一视角下，探讨在模型压缩同时又可以使精简后的模型具有鲁棒性的问题。在对抗训练的框架下，对模型压缩和模型鲁棒性之间一些性质上的关联进行了研究，并且通过实验证明了模型压缩和对抗鲁棒性可以同时得到。

针对传统中心性指标方法忽略节点所在的环结构对网络分解的影响以及基于去环策略方法在去除环结构过程中删除大量非关键节点的问题，提出了基于邻居节点融合的社交网络分解方法。该方法利用邻居节点的融合策略降低了环结构对网络分解的影响，有效减少了非关键节点的删除，同时利用节点放回机制进一步压缩了非关键节点的删除数量。实验结果表明，本文方法能够更加准确地选取网络分解中的关键节点，删除较少的关键节点就能使网络充分分解，并且在不同结构的网络中表现稳定，适应性强。

为了提高推荐系统为用户推荐新产品的准确率，挖掘出每位顾客的隐藏喜好以及每个产品的性能十分关键。基于用户反馈技术经常被用于发现产品的潜在特性和用户维度，本文提出了一种将用户评分中的潜在因子和评论中的潜在主题相结合的推荐模型。该模型通过对评论文本进行分析从而实现更精确的评分预测，特别适用于对新产品和新用户的评分预测。通过在公开数据集上的验证实验，证明了该模型较传统推荐系统在性能上有显著提升。

新型冠状病毒肺炎(COVID-19)严重威胁人类健康,计算机自动分割患者肺部CT(computed tomography)图像是辅助医生进行快速准确诊断的重要手段。为此,提出针对新冠肺炎肺部CT图像分割的轻量化模型COVIDSeg。模型采用编码器-解码器结构,提出压缩-扩展通道注意力模块(squeeze and extend channel attention block,SECA)和残差多尺度注意力模块(residual multi-scale channel attention block,RMSCA)构成编码子网络主要组成模块,提出双通路结构连接编码子网络的各模块,通路内特征逐层传递,通路之间多级特征信息交互,促进不同层级有效信息的传递和表达;采用特征聚合模块作为解码子网络的主要组成模块,通过多尺度特征解码实现多路径解码器。在4个公开使用的COVID-19 CT图像数据集的实验测试表明,提出的轻量化新冠肺炎CT图像分割模型COVIDSeg在多项指标上优于当前主流的医学图像分割模型。通过消融实验分析主要模块对模型性能的影响,验证了提出的缩减-扩展通道注意力模块SECA和残差多尺度注意力模块RMSCA的有效性。分割结果可视化显示,模型对新冠肺炎肺部CT图像的分割结果与图像的真实Mask标记基本相同。

在静态栅格地图环境下,针对传统蚁群算法在机器人全局路径规划中存在无法找到最短路径、路径搜索盲目性大、拐点多等问题,提出一种改进蚁群算法。在传统正向搜索的基础上,增加反向路径搜索,即双向路径搜索,每个方向采用不同的启发函数,增加路径搜索的目的性以及提高解的构造效率。对每代路径进行路径交叉,有助于产生新解,避免陷入局部最优。更新上述得到的有效路径的信息素,避免无效路径的干扰。采用改进的挥发系数公式,实现动态调整挥发系数,并设置信息素浓度范围,能够避免陷入早熟。采用改进的贝塞尔曲线优化上述得到的最优路径,能够根据需求调节曲线优化程度。通过与其他算法进行仿真对比,验证了改进算法的可行性、有效性和优越性。

膀胱癌MRI图像存在肿瘤边界不清晰、肿瘤区域较小、肿瘤分布不连续等问题,现有的分割算法参数量庞大,计算复杂,且分割精度有待提高。因此,设计了一种多尺度特征融合的轻量化膀胱癌分割算法(pyramidal convolution lightweight network, PylNet),该算法在编码阶段设计的多尺度语义特征提取模块可提取不同尺度的肿瘤区域信息,确保对微小肿瘤信息提取的可靠性和全面性;在解码阶段设计的融合模块可以在保证分割精度的同时,极大地减少算法参数量和复杂度。实验结果表明,相较于FCN8s、DeepLabV3+、U-Net等算法,PylNet算法分割精度有一定的提高,Dice系数达88.40%,参数量是FCN8s的1/13,可实现对膀胱MRI的快速分割。

基于机器视觉的吸烟行为检测主要利用深度学习对烟头进行目标检测,识别准确率不高。针对此问题,提出了一种基于人体关键点和YOLOv4的吸烟行为检测方法。在利用深度学习对烟头进行目标检测的基础上,加入人体关键点检测,通过计算距离、角度、时间周期判断吸烟动作是否发生。该方法首先利用AlphaPose、RetinaFace获得人体关键点位置信息;然后基于关键点位置信息计算手部与嘴部的距离、手、肘、肩膀之间的角度、吸烟的时间周期,设置吸烟行为规则;最后结合YOLOv4检测图像中是否有烟头,判断是否存在吸烟行为。实验结果表明,在自采集的吸烟数据中,该方法能够及时有效地检测出吸烟行为。

为了验证用户对项目评分时所处的上下文环境是否会对用户的偏好产生影响,基于矩阵过程的马尔科夫分解方法,提出了一种基于上下文的流式推荐算法(streaming recommendation algorithm based on context,C-SRA),该方法可以从嘈杂的上下文中有效选取与评分相关的上下文信息,并将选取的上下文信息分为主观上下文和客观上下文两类。基于LDOS-CoMoDa数据集的两组对比实验显示,C-SRA算法无论是评分预测性能还是推荐性能均优于其他对比算法。

提出一种基于序列标注同时充分利用本体知识增强命名实体识别能力的端到端方法完成对话状态追踪。一方面通过设计命名实体识别指针,基于序列标注方法对对话历史包含的本体知识信息进行标注,有效利用槽值对本体集增强命名实体识别能力;另一方面利用指针网络,保留新槽值识别的优点。实验结果表明,本文提出的方法相比现有模型在命名实体识别的能力上提升了1.2%,并保留槽值识别可扩展的优点。