为了减少高光谱图像的训练样本, 同时得到更好的分类结果, 本文提出了一种基于密集连接网络和空谱变换器的双支路深度网络模型。该模型包含两个支路并行提取图像的空谱特征。首先, 两支路分别使用 3D和 2D卷积对子图像的空间信息和光谱信息进行初步提取, 然后经过由批归一化、Mish函数和 3D卷积组成的密集连接网络进行深度特征提取。接着两支路分别使用光谱变换器和空间变换器以进一步增强网络提取特征的能力。最后两支路的输出特征图进行融合并得到最终的分类结果。模型在 Indian Pines、University of Pavia、Salinas Valley和 Kennedy Space Center数据集上进行了测试, 并与 6种现有方法进行了对比。结果表明, 在 Indian Pines数据集的训练集比例为 3%, 其他数据集的训练集比例为 0.5%的条件下, 算法的总体分类精度分别为 95.75%、96.75%、95.63%和 98.01%, 总体性能优于比较的方法。

针对高光谱图像维度高、训练样本少以及训练带来的过拟合、参数过多问题，提出了一种基于改进密集连接网络（DenseNet）和空谱注意力机制网络（MDSSAN）的高光谱图像分类方法。首先，对高光谱图像进行主成分分析，并将中心像素的空间邻域输入改进的网络模型中。然后，对三维DenseNet进行改进，将模型中的三维卷积块分解成空间维和光谱维的采样卷积。最后，在空间维上引入空间注意力机制，在光谱维上引入通道注意力机制，以减少模型的训练参数，提取更具判别力的空谱联合特征。实验结果表明，MDSSAN模型在Indian Pines、Pavia University和KSC数据集上的总体分类精度分别为99.43%、99.74%、98.98%，相比其他对比模型，该模型的收敛速度更快，分类性能更好。

在计算机视觉领域, 深度学习一直有着良好的表现。基于深度学习的目标检测方法在红外图像检测识别方面具有巨大的潜力。针对红外图像场景多变, 尺度变化范围大, 可用特征不足等问题, 提出了一种Dende-Yolov5的网络结构, 该网络融合了DenseNet网络和Yolov5的特点, 基于充分利用feature, 保护目标边缘的思想, 将Yolov5s中的Resunit模块替换成了自定义的密集连接型Denseblock模块, 并对Dense-Yolov5与原Yolov5网络在自建的红外数据集上进行了对照实验。改进后的Dense-Yolov5网络对各目标检测的召回率, 精度, mAP值均有提升, mAP提高了1.92%, 召回率提高了1.59%, 精度提高了0.99%。检测结果表明, 该网络对于红外目标, 尤其是特征不明显的小目标的识别效果更好, 对于未来**领域的红外目标识别、跟踪具有参考价值。

为了解决视频图像中目标检测准确率低、速度慢等问题, 本文提出了一种基于YOLOV3改进的目标检测方法。通过引入GIOU Loss, 可解决原IOU无法直接优化的非重叠部分问题, 在借鉴了密集连接网络的思想之后, 将YOLOV3中的3个残差块更换为3个密集块, 并结合Max Pooling加强密集连接块之间的特征传递, 重新替换IOU和原网络的连接结构, 检测设计出新的网络结构后, 减少了参数量, 增强了特征的复用与融合, 最终实现了优于原方法的效果。实验结果表明: 改进的GDT-YOLOV3算法与原有的算法相比, 无论是在简单还是复杂交通场景中都有较优秀的检测效果, 本文所提出的算法平均检出准确率高达92.77% , 速度达到25.3 f/s, 基本满足了实时性。此外在检测精度上, 改进的GDT-YOLOV3算法要优于SSD512、YOLOV2与YOLOV3算法。

YOLOv3作为开源的目标检测网络与同时期目标检测网络相比,在速度和精度上有着明显的优势。由于YOLOv3采用了新型的全卷积网络(FCN)、特征金字塔网络(FPN)和残差网络(ResNet),因此对硬件配置要求较高,导致开发成本过高,不利于工业上的应用普及。在嵌入式平台上普遍使用YOLOv3tiny进行检测,虽然计算量较小,但是检测效果远不如YOLOv3。为了解决在嵌入式平台上YOLOv3检测速度低的问题,提出一种基于YOLOv3的简化版网络,与YOLOv3不同的是,在保留了对特征提取有较大帮助的FCN、FPN以及ResNet的同时,尽可能减少每层的参数量和残差层数,并尝试加入了密集连接网络空间金字塔池化。实验结果表明,该网络的参数量和检测速度大幅优于YOLOv3,且平均精度比YOLOv3tiny在PASCAL VOC2007、2012数据集上有明显的提升。

近年来, 随着深度神经网络的发展并被应用在超分辨领域, 图像超分辨率重建的效果得到了明显的提升。但是之前的工作大都把精力放在如何设计深度模型来提高重建的效果上, 而忽视了设计模型需要大量参数与计算量这一问题, 严重制约了深度学习方法在图像超分辨率重建方面的实际应用范围。针对该问题, 基于密集连接结构设计了一种新的网络。在以下3个方面进行了算法改进: 1) 提出了一种基于密集连接结构的新模型; 2) 加入1×1卷积层作为特征选择层, 同时进一步减少计算量; 3) 探讨了通道数量与重建精度、计算量之间的关系。实验结果表明本文提出的模型取得了与其他卷积神经网络模型相近的复原精度, 同时计算速度只有之前最快深度模型FSRCNN的一半以下。

针对传统遥感图像检测算法中人为干预多、速度慢、检测精度低等问题,提出一种基于深度学习的遥感图像检测方法。采用密集连接的网络结构,充分利用每层网络提取的特征,减少网络推理时间;采用具有更大感受野的扩张块结构;使用扩张块结构和反卷积网络结构将浅层特征图和深层特征图进行信息融合,从而增强遥感图像中多尺度目标的检测能力。实验结果表明,该检测方法具有更高的准确率和更短的检测时间,尤其在小目标物体的检测上表现出更好的性能。

施工现场光照多变、背景复杂、施工人员形态多样, 给安全帽佩戴情况检测带来很大的困难。针对传统检测方法准确率低、鲁棒性差的问题, 本文提出了一种基于深度学习的安全帽佩戴情况检测方法。该方法以YOLOv2目标检测方法为基础, 对其网络结构进行了改进。首先借鉴了密集连接网络思想, 在原网络中加入了密集块, 实现了多层特征的融合以及浅层低语义信息与深层高语义信息的兼顾, 提高了网络对于小目标检测的敏感性; 然后, 利用MobileNet中的轻量化网络结构对网络进行压缩, 使模型的大小缩减为原来的十分之一, 增加了模型的可用性。采用自制的HelmetWear数据集对改进后的网络模型进行训练和测试, 并将该模型与原YOLOv2和最新的YOLOv3进行了对比, 结果显示：该模型的检测准确率为87.42%, 稍逊色于YOLOv3, 但是其检测速度提升显著, 比YOLOv2和YOLOv3分别提高了37%和215%, 可达148 frame/s。实验表明, 改进后的网络模型能在保证检测准确率的同时, 有效减小参数量, 显著提升检测速度。