针对室内可见光定位(VLP)实际应用的大面积面板灯排列场景中存在的定位精确度低、信号干扰严重等问题，提出了一种基于接收信号强度(RSS)算法的码分多址(CDMA)调制解调VLP系统，介绍了RSS算法和CDMA调制解调VLP系统原理，通过实验验证了系统定位精度。实验结果表明：在未考虑实时移动和延迟刷新等因素的情况下，固定点位的定位最大误差为0.3 m，算法解决了传统定位算法中边缘角落区域定位精度低的问题，提高了VLP系统的鲁棒性。

针对光学遥感图像目标检测中存在的精度低及忽略目标方向性的问题，提出了一种基于改进YOLOv5m的遥感图像旋转目标检测算法。首先，融合注意力机制模块提升模型对重要特征的提取能力；其次，在特征融合模块部分考虑各节点特征融合的贡献度，并增加同一特征尺度的跳跃连接；最后，针对旋转检测中存在的角度边界问题，使用密集编码标签对角度进行离散化处理。实验结果表明，所提算法在DOTA数据集子集上的检测精度达到了82.75%，在小幅降低模型计算量的情况下，较原有YOLOv5m提升了11.73个百分点，同时在HRSC2016舰船数据集上也取得了88.89% 的检测精度。即该算法能有效提升光学遥感图像旋转检测的精度。

由单视角图像重建三维人体姿态时，深度信息的缺失与姿态的多样性使二维姿态映射到三维姿态时易出现朝向错误、细节姿态处理不佳等问题。为此，结合立体人体模型的骨骼及顶点分布规律，以优化模型变形策略为核心，提出了一种基于多特征点匹配的三维姿态重建方法。所提方法的核心是以优化能量函数的方式将多个二维人体特征点与人体模型三维特征点进行匹配拟合，从而实现三维姿态的重建，并通过部分关节点建立朝向约束项来降低深度信息缺失对重建姿态的影响，同时利用多个头部特征点调整头部姿态降低姿态多样性对头部姿态重建的影响。在公开姿态数据集MPI-INF-3DHP与LSP上的实验结果表明，所提方法有效解决了姿态模糊及细节姿态处理不佳的问题，能够准确重建常见动作下的三维人体姿态。

光学外差干涉系统信号频率高，传统的过采样解调方法的成本高且数据量大，不利于实时解调监测。研究了欠采样数字正交解调方法，以降低外差系统采样频率，满足振动传感快速解调和实时监测的需求。首先理论分析了外差干涉系统欠采样的原理，得到了采样频率需满足的条件，即最小采样频率需大于信号带宽的2倍。对欠采样解调进行了实验验证，在PZT激振电压为0.5 V、外差频率为80 MHz时，利用20 kHz~10 MHz的采样频率均可实现相位解调，解调误差最大为0.3%，且不随采样频率的降低而增大。研究了采样频率大小与可测激振电压范围的关系，采样频率越高，可测电压范围越大。50，100，200 kHz采样频率分别可适用于1~7 V、1~14 V和1~20 V范围的解调。欠采样数字正交解调以其低成本、快速解调的优势在光学外差干涉系统领域有广阔的应用前景。

由于室内场景中存在对象种类多样、物体几何信息复杂、物体密集问题,故室内场景结构重建存在着很大的挑战。首先,以“结构分析”为主线,利用改进的随机抽样一致(RANSAC)算法和均值漂移算法检测出房间布局的粗略划分。然后,在将初步划分结果转化为无向图的基础上,利用图割算法得到了房间布局的细分结果。最后,将重建的墙壁、地面与天花板信息相结合,完成了室内场景布局的总体重建。实验结果表明,利用改进后的算法和所提方法得到的重建结果更加准确、效果更好。

堆栈沙漏网络(SHN)是人体姿态估计中的代表性研究成果,但该网络忽略了关节局部信息。因此,提出了一种基于改进沙漏网络的人体姿态估计模型。首先,利用多个残差模块及步长为2的卷积层获取低层次到高层次的特征,同时随着网络层数的加深,相应调整残差模块的数目和通道数,以突出局部细节特征信息。然后,为了提取遮挡部位的纹理和形状等局部特征,融合了在线困难关键点挖掘模块。最后,采用反卷积最大化恢复原始的局部特征。实验结果表明,本模型在COCO数据集上的平均精度达到了74.6%,**数量为1.5×10 ⁷,比叠加8个SHN(8-SNH)的平均精度高5.1个百分点,且其**数量仅为8-SNH的1/3。

相比于卷积神经网络,图卷积网络更适合处理不规则的点云数据,但其存在网络层数受限以及固定的标准化聚集方式影响点云语义分割结果的问题。针对这些问题,提出一种用于点云语义分割的深度图注意力卷积网络。该网络通过残差连接来加深图卷积网络层数,可以有效解决网络过深所导致的梯度消失和网络退化的问题,采用注意力机制可以使网络有选择地关注最相关的邻域点并为其分配不同的注意力权重。同时在每层图卷积之后重新构建图形,从而更好地表征图结构。实验结果表明,该网络在斯坦福大规模的三维室内空间数据集上的平均交并比达到64.5%。

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一, 光谱分类的研究能够为恒星的演化提供线索。 随着科技的发展, 天文数据也向大数据时代迈进, 需要处理的恒星光谱数量越来越多, 如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。 当前恒星光谱自动分类问题的解决方法相对较少, 为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。 该网络由数据输入层、 四个卷积层、 四个池化层、 全连接层、 输出层构成, 与传统网络相比具有局部感知、 参数共享等优点实验。 在Python3.5的环境下编程, 利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络, 并将Dropout作用于全连接层之后以防止过度拟合。 Dropout的基本思想: 当网络模型进行训练时, 把一些神经网络节点按一定的比例丢弃, 使其暂时不发挥作用。 Dropout可以理解成是一种十分高效的神经网络模型平均方法, 由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。 实验中使用的一维恒星光谱图是取自LAMOST DR3数据库, 首先进行预处理截取光谱3 600~7 300 的部分, 均匀采样后使用min-max标准化法对其进行初始化。 实验包括两部分: 第一部分为依据恒星光谱MK系统对光谱进行分类, 每一类的训练样本包含1 000条光谱数据, 测试样本为400条光谱数据, 首先通过训练样本对CNN网络进行训练, 进行3 000次的迭代, 用训练后的网络将测试样本进行分类以验证网络的准确性; 第二部分为相邻两类的恒星光谱的分类, 其中O型星数据集样本为250条光谱, 其余类别恒星样本数据集均为4 000条光谱, 将数据5等分, 每次选取当中的一份当作测试集, 其余部分当作训练集, 采用5折交叉验证法求得模型准确率, 用BP神经网络进行对比实验。 选择对网络模型进行评估的指标包括精确率P、 召回率R、 F-score、 准确率A。 实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上, 在对相邻类别的恒星进行分类时, 由于O型星样本量较少, 所以得到的分类结果不太理想, 对其余类别的恒星分类准确率都高于98%, 以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。