精准的舰船目标检测技术能够提升**装备的全方位感知能力。针对复杂环境下SAR舰船目标检测虚警、漏警问题严重, 提出一种基于YOLOv5的轻量化SAR图像舰船目标检测算法3S-YOLO。3S-YOLO首先对网络结构进行重构, 调节感受野与多尺度融合关系, 实现特征提取网络和特征融合网络轻量化处理; 然后, 对网络进行剪枝, 通过基于几何中值的剪枝算法对网络进行压缩, 加快推理速度; 最后, 使用可变焦损失函数对网络进行训练, 使感知分类系数回归。结果表明, 算法经过优化后, 精度最高可提高至99.1%; 经过剪枝后, 模型体积大幅下降, 可压缩至190 kiB, 下降98.6%; 算法推理速度提升4倍, 推理时间缩短至3 ms以下。相较于当前主流算法, 3S-YOLO在各方面均取得了不错的成绩, 满足SAR图像实时舰船目标检测。

针对辅助驾驶中夜间小目标红外行人检测精度低、网络模型占用内存空间大、检测速度难以满足实时检测要求等问题，提出了一种轻量化的夜间红外图像行人检测神经网络YOLO-Person。首先提出一种以MobileNetV3轻量化网络为骨干网络，以多尺度融合目标检测层为预测模块的网络模型，以解决网络模型大、推理速度慢的问题，大幅减少了模型计算量，初步实现轻量化；然后通过在网络中添加空间金字塔池化模块与更小感受野的检测层，增强网络输出特征图的表征能力，解决数据集中行人目标尺度大小不均衡的问题，提高模型的红外行人检测精度；最后应用通道剪枝对模型进行剪枝，减少特征图的通道数，获得最终网络模型YOLO-Person。通过Jetson Nano移动开发平台，在夜间红外图像行人数据集上验证YOLO-Person轻量化模型，结果表明：与YOLOv3网络模型相比，提出的YOLO-Person网络模型更适于移动端的夜间红外行人检测，平均检测精度达到了92.2%，检测速度由26 frame/s提高到了69 frame/s，模型大小也由246 MB减少到了11.7 MB。

针对在遥感飞机目标检测场景中轻量级算法难以兼顾准确性与实时性的问题, 提出了一种基于YOLOv4结构化剪枝的模型压缩方法。为了使锚框参数更加符合遥感数据集并发挥网络多尺度检测的优势, 采用K-means++算法对数据集进行锚框聚类分析, 并设计尺度自适应调整, 抑制小目标过多以及目标大小接近造成的锚框冗余。此外, 为了减少模型参数量, 利用归一化层中的缩放因子γ进行L1稀疏正则化, 重新评估滤波器及卷积核权重, 对特征信息较少的通道进行迭代剪枝, 然后微调剪枝模型恢复精度。实验结果表明, 剪枝后模型参数量压缩了93.1%, 检测速度比原模型提升2.46倍, 能够在保证检测准确性的同时有效提升检测实时性。

为了提高面向遥感图像目标检测的YOLOv3-CS算法的检测速度，提出了一种基于Batcg Normalization（BN）层γ参数的自适应稀疏因子调整算法。以γ作为通道的重要性判断依据对YOLOv3-CS进行剪枝，得到YOLOv3-CSP目标检测模型。实验结果表明，所提剪枝方法在mean Average Precision（mAP）损失仅为0.22%的情况下，使YOLOv3-CS的模型大小压缩了95.92%，检测速度提高了173%。所提YOLOv3-CSP可以应用于检测精度和实时性要求较高的场合。

Age-related Macular Degeneration (AMD) and Diabetic Macular Edema (DME) are two common retinal diseases for elder people that may ultimately cause irreversible blindness. Timely and accurate diagnosis is essential for the treatment of these diseases. In recent years, computer-aided diagnosis (CAD) has been deeply investigated and effectively used for rapid and early diagnosis. In this paper, we proposed a method of CAD using vision transformer to analyze optical coherence tomography (OCT) images and to automatically discriminate AMD, DME, and normal eyes. A classification accuracy of 99.69% was achieved. After the model pruning, the recognition time reached 0.010 s and the classification accuracy did not drop. Compared with the Convolutional Neural Network (CNN) image classification models (VGG16, Resnet50, Densenet121, and E±cientNet), vision transformer after pruning exhibited better recognition ability. Results show that vision transformer is an improved alternative to diagnose retinal diseases more accurately.

针对智能手机玻璃盖板缺陷检测方法存在检测柔性差、良率低、检测时间长等问题, 提出一种改进YOLOv3的智能手机玻璃盖板缺陷检测方法。在特征提取网络方面增加通道注意力机制以解决缺陷特征不明显的问题, 在特征检测网络方面增加了104×104维度大小的特征图以解决缺陷多尺度的问题, 最后对模型进行剪枝减少模型参数, 提高缺陷检测速度。从智能手机玻璃盖板生产现场获得涵盖崩边、坑点、脏污和划痕等4类缺陷的图片构建缺陷数据集, 对本文提出的方法和Faster R-CNN、YOLOv3、YOLOv4等算法进行对比实验和分析。实验结果表明, 本文提出方法的检测平均精度均值（mean Average Precision, mAP)为81.0%, 检测速度为43.1 fps。相比原始YOLOv3算法, 检测mAP提升了3%, 检测速度增加了6.7 fps, 相比于其他深度学习算法, 检测速度和检测精度均有所提升。所提方法满足智能手机玻璃盖板工业生产现场缺陷高精度、高效检测的需要。

针对临床上由质子热声信号脉宽和信噪比的不确定性引起的走时提取困难问题, 提出了一种基于密集网络的走时提取算法。该算法使用密集块代替传统卷积块, 融合了具有不同感受野的特征, 并引入了深度监督和网络剪枝机制, 利用标记好的质子束热声信号数据进行学习, 以提取所需的走时信息。实验结果表明, 相比其他算法, 该算法对质子热声信号走时的提取具有较高的准确率和鲁棒性, 同时展现了实时提取的可行性。

为了解决传统算法在全自动跟踪过程中遇到遮挡或运动速度过快时的目标丢失问题，本文提出一种基于YOLOv3和ASMS的目标跟踪算法。首先通过YOLOv3算法进行目标检测并确定跟踪的初始目标区域，然后基于ASMS算法进行跟踪，实时检测并判断目标跟踪效果，通过二次拟合定位和YOLOv3算法实现跟踪目标丢失后的重新定位。为了进一步提升算法运行效率，本文应用增量剪枝方法，对算法模型进行了压缩。通过与当前主流算法进行对比，实验结果表明，本算法能够很好地解决受到遮挡时跟踪目标的丢失问题，提高了目标检测和跟踪的精度，且具有计算复杂度低、耗时少，实时性高的优点。

准确并高效地识别青铜铭文在考古学、历史学、文字学等领域具有重要的意义。构建了公开的青铜铭文数据集,为后续研究提供了数据参考。同时在基于L1范数的卷积核剪枝基础上,提出了一种自动化模型剪枝策略,无需人为设置剪枝比例即可自动完成剪枝操作。实验结果表明,以LeNet网络为基础模型,剪枝后的参数量和FLOPS仅为原模型的30%和69%,准确率达到97.62%,所提方法适用于青铜铭文数据集。