随着“平安城市”建设的不断推进，公共安全逐渐成为人们关注的热点间 题，税频监控技术也随之得到了越来越广泛的应用，传统的视频监控系统主要提供采集存储功能，这远远无法满足人们对其智能化的需求。要实现智能化的视频监控系统，以下几个关键问题亟需解决：（1）如何快速发现监控视频中的异常行为，及时给出警报，并最大限度地减少误报和漏报现象；（2）如何在多种不利因素下（如羊样本，低分辨率）对可疑目标进行准确的识别分析：（3）在海量数据的情况下，如何确保视频分析系统的实时性及准确性。 近年来，深度学习在机器视觉、

使用成像自动识别航天器和空间碎片在确保太空安全和太空探索中起着重要作用。 尽管深度学习现在是基于图像的对象分类的最成功解决方案，但它需要大量的训练数据，而这些数据对于大多数实际应用而言是不可用的。 在本文中，我们研究了用于训练和测试图像的不同单一和混合数据增强方法，从而提出了一种基于数据增强的深度学习方法来进行空间目标识别。 通过系统工具包（STK）渲染的400张合成空间目标图像的实验结果表明，我们提出的算法比几种传统方法具有更高的精度。

针对跨场景人员重新识别（Re-ID），提出了一种有区别的深度传输度量学习方法，称为DDTML。 为了在新场景中开发Re-ID模型，认为有必要使用大量成对的，跨相机视图的人像。 然而，由于金钱成本和贴标签时间，这项工作非常昂贵。 为了解决这个问题，提出了一种跨场景的Re-ID DDTML。 具体地，为了测量跨场景的分布差异，通过将数据的判别信息嵌入到最大平均差异的概念中，提出了一种基于类分布的最大平均差异。 与大多数度量学习方法通​​常会学习线性距离以将数据投影到特征空间不同，DDTML使用深度神

PRS-Net：用于3D模型的平面反射对称检测网 目标 提出深度学习网络以检测3D形状的平面反射对称性。 抽象的 在几何处理中，对称性是3D模型的高级结构信息的一种通用类型，它有益于许多几何处理任务，包括形状分割，对齐，匹配和完成。 因此，分析3D形状的各种对称形式是一个重要的问题。 平面反射对称是最基本的一种。 基于空间采样的传统方法可能很耗时，并且可能无法识别所有对称平面。 在本文中，我们提出了一种新颖的学习框架，可以自动发现3D形状的全局平面反射对称性。 我们的框架训练了无监督的3D卷积神

针对自动化迷彩目标发现学习中有效样本严重不足的问题，借鉴AlphaGo的技术思想，提出了一种基于样本模拟的深度神经网络仿真训练方法。建立了迷彩场景仿真合成模型，通过设计图像空间的复合算法、场景图像深度特征提取策略、目标融合度测量策略，以及图聚类采样算法，批量化地生成了可用于深度神经网络训练和学习的具有代表性的迷彩场景仿真样本; 设计了基于深度残差神经网络的迷彩目标发现模型，并引入了多尺度网络训练方法。模拟样本和真实场景图像的实验结果表明，所提方法可有效应用于迷彩目标的自动化识别与评估。