学位论文简介

1. 研究并设计了一种将块稀疏判别字典学习与多特征融合的卷积神经网络模型BDDL-MFF-CNN。本文以CNN为基础将块稀疏和判别性字典相结合，块稀疏判别字典学习算法可有效提升图像识别准确度。其中，网络模型结构采用级联的方式，在每次卷积核运算后采用局部归一化操作来提高神经网络的收敛性和鲁棒性。同时，将该网络经卷积操作后得到的特征与前两层全连接层的输出特征进行融合，融合后的特征能更完整地保留并表达原始图像的信息。

2. 提出了结合比对监督哈希和CNN特征的智慧城市图像检索方法。本文通过探索卷积神经网络架构提出了比对Hash学习模型。该模型使用正例对与大规模负例进行比对学习Hash编码，在较大程度上提升了模型效率。同时，Adam算法的卷积核权值系数的更替迭代提升了CNN的特征搜索能力、检索精度和效率，最终可以训练出一个性能较为优异的深度哈希学习网络模型。

3. 提出一种融合全局与局部信息的像素特征对比神经网络模型，对于图像的显著目标检测其本质是模仿人类视觉感官体系，通过相应的算法选取图像中比较重要或感兴趣的区域，便于后续进一步处理。而本模型以DeepLab-v3+语义分割模型为基础，创造性地将Contrastive Representation Learning方法应用于显著目标检测任务中，同时实现了全局与局部信息融合以及像素特征对比学习，提升了模型感知不同目标对比性差异的能力，突出了显著目标像素的特征表达。

4. 提出了一种基于端到端多模态和双分支语义的智慧城市深度卷积神经网络监督比对学习模型，并研究了几种注意力策略。该模型使用一个双分支CNN（包括一个传统的RGB分支和一个互补的语义信息分支）来收集图像和上下文信息，输出的张量通过一个注意力模块进行组合，采取的策略是对卷积语义分支特征的Softmax转换。

5. 提出了一种基于视频图像采集与分析的智慧城市双向交通流协同优化方法，并以智能交通视频检测系统的协同交通流优化和自主引导为研究重点。从路段交通流、静态路网交通流、出行需求驱动的动态路网交通流仿真等方面，系统地研究了智慧城市交通流仿真建模方法。

主要学术成果

1. Traffic Flow Video Image Recognition and Analysis Based on Multi-target Tracking Algorithm and Deep Learning. IEEE Transactions on Intelligent Transportation Systems，2022（第一作者，中科院1区，Top期刊，Accept）

2. Real-time Cargo Loading Identification Based on Self-powered Camera. IEEE Sensors Journal，2022（第一作者，中科院2区）

3. An Intelligent Image Feature Recognition Algorithm with Hierarchical Attribute Constraints Based on Weak Supervision and Label Correlation. IEEE Access,vol.8, pp.105744-105753, 2020. (第一作者，中科院2区，JCR 1区)

4. Image Classification Model Based on Deep Learning in Internet of Things. Wireless Communications and Mobile Computing, vol. 2020, pp. 1-16, 2020. (第一作者，CCF C类, JCR 3区)

5. Intelligent Image Saliency Detection Method Based on Convolution Neural Network Combining Global and Local Information. Security and Communication Networks 2022 (2022).(第一作者，中科院4区，JCR 2区)