深度学习技术发展迅速，在医学图像处理领域取得了显著成果。但是由于医学图像样本少，标注困难，使得深度学习的效果远未达到预期。近年，利用迁移学习方法缓解医学图像样本不足的问题，提高深度学习技术在医学图像领域的效果，成为了研究热点之一。介绍了迁移学习方法的基本概念、类型、常用策略及模型，根据迁移学习方法的类型，对当前医学图像领域具有代表性的相关研究进行了梳理与小结，对该领域的未来发展进行了总结和展望。
使用深度强化学习解决单智能体任务已经取得了突破性的进展。由于多智能体系统的复杂性，普通算法无法解决其主要难点。同时，由于智能体数量增加，将最大化单个智能体的累积回报的期望值作为学习目标往往无法收敛，某些特殊的收敛点也不满足策略的合理性。对于不存在最优解的实际问题，强化学习算法更是束手无策，将博弈理论引入强化学习可以很好地解决智能体的相互关系，可以解释收敛点对应策略的合理性，更重要的是可以用均衡解来替代最优解以求得相对有效的策略。因此，从博弈论的角度梳理近年来出现的强化学习算法，总结当前博弈强化学习算法的重难点，并给出可能解决上述重难点的几个突破方向。
随着组学新测序技术的不断涌现和推广，产生了大量的组学数据，这些数据对人们深入研究和揭示生命奥秘有着极重要的意义。利用多组学数据整合技术分析生命科学问题可获得更丰富更全面的生命系统相关信息，已成为研究者探索生命机制的新方向。介绍了多组学数据整合分析的研究背景和研究意义，综述了近年来多组学数据整合分析的方法和相关领域的应用研究，探讨了多组学数据整合分析方法当前所存在的问题以及未来展望。
在导弹智能突防的过程中，从海量的遥感图像数据中检测敌方反导阵地具有极大的应用价值。由于弹载部署环境算力有限，设计了一种兼顾轻量化，检测精确率以及检测速度的遥感目标检测算法。制作了典型遥感军事目标数据集，通过K-means算法对数据集聚类分析。利用MobileNetV2网络代替YOLOv3算法的主干网络，保证网络的轻量化和检测速度。提出了适用于遥感目标特性的轻量化高效通道协同注意力模块和目标旋转不变性检测模块，将其嵌入检测算法中，在网络轻量化的基础上提升检测精确率。实验结果表明，提出算法的精确率达到97.8%，提升了6.8个百分点，召回率达到95.7%，提升了3.9个百分点，平均检测精度达到95.2%，提升了4.4个百分点，检测速度达到了每秒34.19张图，而网络大小仅为17.5?MB。结果表明该算法能满足导弹智能突防的综合要求。
手势自古以来在人类交流方面扮演着非常重要的角色，而基于视觉的动态手势识别技术是利用计算机视觉、物联网感知等新兴技术和3D视觉传感器等新型设备让机器能够理解人类的手势，从而让人类能和机器更好地交流，因此对于人机交互等领域的研究很有意义。介绍了动态手势识别中所用到的传感器技术，并比较了相关传感器的技术参数。通过追踪近年来国内外关于视觉的动态手势识别技术，陈述了动态手势识别的处理流程：手势检测与分割、手势追踪、手势分类。通过对比各流程所涉及的方法，可以发现深度学习具有较强的容错性、高度并行性、抗干扰性等一系列优点，在手势识别领域取得了远高于传统学习算法的成就。最后分析了动态手势识别目前遇到的挑战和未来可能的发展方向。
图像质量评价是对图像或视频的视觉质量的一种度量，主要分析了最近10年图像质量评价算法的研究情况。介绍了图像质量评价算法的衡量指标以及常用的图像质量评价数据集，对图像质量评价方法的分类做了阐述，重点分析了基于深度学习技术的图像质量评价算法。目前，该类算法的基础模型主要包括深度卷积神经网络、深度生成对抗网络和变换器，其性能通常高于传统的图像质量评价算法。描述了基于深度学习技术的图像质量评价算法的原理，重点介绍了基于深度生成对抗网络的无参考图像质量评价算法，通过增强对抗学习强度提高模拟参考图的可靠性。深度学习技术需要海量训练数据的支持，探讨和总结数据集增强的方法，对数字图像质量评价方法的未来研究进行展望。
针对麻雀搜索算法存在的迭代过程中种群多样性减少且容易陷入局部最优以及收敛速度慢等问题，提出混合策略改进的麻雀搜索算法（MSSSA）。利用Circle映射初始化麻雀个体位置，增加初始种群的多样性。结合蝴蝶优化算法（BOA）中蝴蝶飞行方式，改进发现者的位置更新策略，增强算法全局探索能力。采用逐维变异方法对个体位置进行扰动，提升算法跳出局部最优的能力。在仿真实验中与4种基本算法和5种改进算法基于10个基准测试函数进行比较并进行Wilcoxon秩和检验，结果表明所提算法具有更好的收敛性和求解精度，全局寻优能力得到大幅提升。
图像超分辨率重建是用低分辨率图像重建出对应的高分辨率图像的过程。目前，图像超分辨率技术已经成功应用于计算机视觉和图像处理领域。近年来，由于深度学习具有能够从大量数据中自动学习特征的能力，因此被广泛应用于图像超分辨率领域中。介绍了图像超分辨重建的背景，详细总结了用于图像超分辨率的深度学习模型，阐述了图像超分辨率技术在卫星遥感图像、医学影像、视频监控、工业检测任务方面的应用。总结了图像超分辨算法的当前研究现状以及未来发展方向。
由于影像学技术在新型冠状病毒肺炎（COVID-19）的诊断和评估中发挥了重要作用，COVID-19相关数据集陆续被公布，但目前针对相关文献中数据集以及研究进展的整理相对较少。为此，通过COVID-19相关的期刊论文、报告和相关开源数据集网站，对涉及到的新冠肺炎数据集及深度学习模型进行整理和分析，包括计算机断层扫描（CT）图像数据集和X射线（CXR）图像数据集。对这些数据集呈现的医学影像的特征进行分析；重点论述开源数据集，以及在相关数据集上表现较好的分类和分割模型。最后讨论了肺部影像学技术未来的发展趋势。
随着教育信息化程度的不断加深，以预测学生知识状态为目标的知识追踪正成为个性化教育中一项重要且富有挑战性的任务。知识追踪作为一项教育数据挖掘的时间序列任务，与深度学习模型强大的特征提取和建模能力相结合，在处理顺序任务时具有得天独厚的优势。为此，简要分析传统知识追踪模型的特点及局限性，以深度知识追踪发展历程为主线，总结基于循环神经网络、记忆增强神经网络、图神经网络的知识追踪模型及其改进模型，并对该领域的已有模型按照方法策略归类整理。同时梳理了可供研究者使用的公开数据集和模型评估指标，比较和分析不同建模方法的特点。对基于深度学习的知识追踪的未来发展方向进行探讨和展望，奠定进一步深入基于深度知识追踪研究的基础。
对上市公司发布的文本信息披露进行分析是投资者了解公司经营状况、做出投资决策的重要途径，然而人工阅读和分析的方法存在效率低、成本高等问题。人工智能技术的发展则为文本信息的智能分析提供了契机，能够从海量企业文本数据中挖掘有价值的信息，充分发挥数据驱动的优势，大幅度提高分析效率，成为近些年的研究热点。对近十年关于上市公司文本信息披露智能分析的研究工作进行了总结，分别从文本信息披露的事件类型的研究现状、智能分析方法和应用场景三个方面进行了归纳，分析了该领域当前面临的挑战，最后根据现有方法的不足指出了未来可能的研究方向。
针对传统的卷积神经网络（Convolutional Neural Network，CNN）和长短时记忆网络（Long Short-Term Memory，LSTM）在提取特征时无法体现每个词语在文本中重要程度的问题，提出一种基于CNN和LSTM的多通道注意力机制文本分类模型。使用CNN和LSTM提取文本局部信息和上下文特征；用多通道注意力机制（Attention）提取CNN和LSTM输出信息的注意力分值；将多通道注意力机制的输出信息进行融合，实现了有效提取文本特征的基础上将注意力集中在重要的词语上。在三个公开数据集上的实验结果表明，提出的模型相较于CNN、LSTM及其改进模型效果更好，可以有效提高文本分类的效果。
神经网络技术在图像处理、文本分析和语音识别等领域取得了令人瞩目的成就，随着神经网络技术应用到一些安全攸关的领域，如何保证这些软件应用的质量就显得尤为重要。基于神经网络技术的软件在开发和编程上和传统软件有着本质的区别，传统测试技术很难直接应用到此类软件中，研究针对神经网络的验证和测试评估技术十分必要。从有效评估和测试神经网络出发，对神经网络验证和测试技术的研究现状进行梳理，分别从验证技术、基于覆盖的测试技术、基于对抗样本的测试技术、融合传统测试技术等方面进行了归纳和分类。对其中一些关键技术的基本思想和实现做了简明扼要的介绍，并列举了一些测试框架和工具，总结了神经网络验证和测试工作面临的挑战，为该领域的研究人员提供参考。
针对光照不均匀场景，提出了一种自适应图像增强算法。根据Retinex理论，采取中心环绕法，利用高斯连续卷积来提取场景的光照分布情况。同时，统计输入图像低亮度区域的大小。构造了一种自适应伽马矫正函数，取光照分布情况与低亮度区域内亮度值中位数的比值作为参数，对图像进行伽马校正。高光照区域参数大于1，对亮度起抑制作用，低光照区域参数小于1，对亮度起增强作用。将顶帽变换后图像和伽马矫正后的图像叠加。顶帽变换可以提升图像的全局对比度，伽马函数可以保留细节信息。两者结合后，可以兼顾图像的全局特性和局部细节信息。视觉感受和客观实验指标表明，与参照算法相比，该算法针对不均匀光照图像增强效果显著。
车牌识别技术在交通管理中发挥着重要作用，其中车牌检测环节对后续识别性能有重大影响。现有的车牌检测系统容易受到外部环境的干扰，在自然场景下的检测性能差。提出一种基于多尺度注意力融合的车牌检测网络模型，利用金字塔网络特征图和CBAM（Convolutional Block Attention Module）注意力结构，提高小目标的检测精度。同时该方法不仅能够准确地检测定位出自然场景下的车牌，还能精确地定位出车牌的4个角点，有利于后续的车牌识别应用。实验中采用数据增强方法对CCPD数据集进行扩增，有效缓解了复杂环境变化对车牌检测造成的影响，增强了模型鲁棒性。通过对模型进行训练和测试，获得了98.05%的平均精确率和98.71%的召回率，优于其他车牌检测方法，并且帧率达到64?frame/s，实时性高。
综述了基于深度学习的三维点云语义分割方法的研究进展。利用文献分析法，按照数据的表现形式对基于深度学习的三维点云语义分割的方法进行阐述。探讨了近些年的国内外发展现状，分析了目前相关方法的优缺点，并展望了未来发展的趋势。深度学习的加入在点云语义分割技术研究上发挥着越来越重要的作用，推动了制造与包装等领域趋向于智能信息化。根据各类方法的优缺点，利用深度学习技术构建出基于投影、体素、多视图以及直接基于点云的2D-3D组合语义分割框架模型是未来的一个重要研究方向。
跨年龄人脸识别是目前人脸识别中的一大难点问题，人脸特征会随着年龄的增长发生变化，导致识别准确率降低，利用老化模型生成老化图像后进行人脸识别为该问题提供了一种解决方案。随着计算机技术和深度学习的广泛应用，人脸老化的真实性、老化效果、算法效率都得到了明显的提升，系统综述了基于老化模型的跨年龄人脸识别的研究现状，对人脸老化方法进行了详细地梳理，系统介绍了老化模型的方法演变和各类方法的优缺点，并对现有的模型评价方法进行了总结归纳。对现有的可用于跨年龄人脸识别的数据集进行了详细介绍，从数据量、年龄跨度、年龄准确性、数据集使用情况等方面进行了对比分析。结合实际应用对基于老化模型的跨年龄人脸识别中待解决的问题进行了分析和讨论，并对未来研究方向做出预测和展望。
方面情感分析旨在分析给定文本中特定方面的情感极性。针对目前的研究方法存在对方面情感注意力引入不足问题，提出了一种融合BERT和多层注意力的方面级情感分类模型（BERT and Multi-Layer Attention，BMLA）。模型首先提取BERT内部多层方面情感注意力信息，将编码后的方面信息与BERT隐藏层表征向量融合设计了多层方面注意力，然后将多层方面注意力与编码输出文本进行级联，进而增强了句子与方面词之间的长依赖关系。在SemEval2014 Task4和AI Challenger 2018数据集上的实验表明，强化目标方面权重并在上下文进行交互对方面情感分类是有效的。
