虹膜纹理容易被纹理隐形眼镜隐藏甚至伪造，进而对虹膜识别系统的安全性构成了威胁。针对真实虹膜与纹理隐形眼镜伪造虹膜光学特性和纹理特征差异较小的问题，提出了一种循环注意力隐形眼镜虹膜防伪检测方法RAINet。利用循环注意力机制对能区分真伪虹膜的关键区域进行无监督定位，并通过多层级特征融合提升防伪检测精度，构建了端到端防伪检测网络，无需图像预处理即可直接进行真伪特征检测。采用MobileNetV2作为特征分类网络，在保持检测精度的同时，减少了网络的参数量和计算量。在包含真实虹膜样本和隐形眼镜虹膜样本的两个公开数据库（IIITD CLI和ND系列）上进行了实验验证。结果表明，RAINet的检测精度优于其他防伪检测网络，在同传感器、跨传感器和跨数据库实验条件下的平均正确分类率分别可达到99.93%、97.31%和97.86%。

针对现有的行人重识别方法提取行人特征过程中存在因信息缺失导致鲁棒性和判别力较差的问题,提出了一种基于残差神经网络提取行人图像多层级特征的方法。该方法在训练阶段使用残差网络分别在4个卷积残差模块之后提取阶段特征,以此来弥补信息丢失,使用三元组损失函数对每个特征向量进行监督训练。在相似性度量阶段,针对4个特征向量分别计算特征相似度,使用映射函数进行求和,并对求和结果进行相似度匹配。将该方法在Market-1501和DukeMTMC-ReID数据集上进行仿真,首中准确率(Rank-1)分别达到了91.7%和84.9%,平均准确率(mAP)分别达到了86.8%和80.7%。结果表明所提方法提取的多层级特征具有较好的鲁棒性和判别力,提高了行人重识别的准确度。

随着深度学习和卷积神经网络的应用,图像语义分割的性能得到了大幅度提升。但当前图像语义分割算法在语义信息利用率及语义类别区分度方面仍有欠缺。为了进一步提升语义分割算法的性能,提出多层级的上下文信息机制,使用多层级特征对长距离的依赖关系信息和局部性较强的上下文信息进行提取,增强卷积神经网络特征的信息丰富度与类别区分度。所提多层级上下文信息机制在典型街道场景数据集Cityscapes验证集上的分割精度达77.2%,实验证明了所提方法的有效性。