目的人脸图像年龄估计在数字营销和人机交互等领域具有重要的应用价值。然而，实现精确人脸年龄估计面临缺乏大规模有标签数据集的挑战。半监督学习方法能利用无标签数据集缓解此问题，但现有方法易引入错误伪标签，对年龄估计性能产生负面影响。因此，本文提出一种面向人脸年龄估计的开集半监督多任务学习方法。方法首先，为了增强模型对局部和全局特征的处理能力，本文提出SwinLEDF模型，该模型以Swin Transformer作为主干网络，用于提取全局特征，并通过融合LEFF（local enhanced feed-forward）模块和DFN（dynamic filter networks）模块，进一步提升模型对局部特征的提取能力。其次，为了有效利用有标签数据和无标签数据中的有效信息，设计开集半监督多任务学习框架。在此框架中，模型通过标准闭集分类器和多类二元分类器的协同工作有效排除异常数据的干扰，采用自适应阈值方法确定性别、种族和年龄的伪标签，并引入负学习策略，以提高对无标签数据的利用率。结果在MORPH数据集上，仅使用有标签数据集时，模型的平均绝对误差为1.908；同时使用有标签数据集和无标签数据集时，MAE降至1.885。在UTKface数据集上，仅使用有标签数据集时，MAE为4.343；而结合有标签数据集和无标签数据集时，MAE降至4.246。与现有的人脸年龄估计方法相比，本方法提高了年龄估计的性能，能够有效利用无标签数据集进一步优化年龄估计性能。结论本文提出一种面向人脸年龄估计的开集半监督多任务学习方法，能够从有标签数据集和无标签数据集中有效提取人脸图像的性别、种族和年龄特征，从而提升人脸年龄估计的精度。这为实现更加精准的人脸年龄估计提供了新的思路和解决方案。

类脑视觉感知仿效生物大脑处理视觉信息的机制，通过构建神经形态视觉模型来完成视觉感知任务。事件相机作为一种新型类脑神经形态视觉传感器，仅感知场景光强的动态变化，输出表示场景光强变化的事件脉冲（或简称“事件”）。这种特殊的成像方式使得事件相机不仅具有高动态范围特性，还能对运动引发的场景亮度变化进行几乎连续（微秒级）的异步响应。因此，融合事件脉冲不仅可以有效补偿由于目标运动过快导致的帧内和帧间信息缺失，还能填补过曝光区域的饱和失真，缓解真实复杂场景中的运动模糊、视频插帧、卷帘畸变、过曝光等视频降质问题。本报告将深入探讨以事件相机为代表的类脑脉冲视觉成像方法在视频增强任务中的理论原理和技术手段，总结和归纳近年来融合类脑视觉脉冲的视频增强算法的国内外最新进展。同时，针对该领域所面临的诸如数据处理效率较低、暗光条件性能不佳、空间分辨率不足等瓶颈和挑战作出了相对应的分析与讨论。

目的三维点云数据在三维重建、自动驾驶等领域有着广泛应用，然而由于传感器设备受限和环境因素，点云数据不可避免地受到了噪声影响，降低了数据质量，影响了后续处理和分析的准确性。现有的基于深度学习的点云去噪主流方法大多采取单阶段单分支去噪流程，导致模型学习到的特征的表达能力有限，难以捕捉点云复杂的结构信息。方法本文提出一种双阶段双分支模型用于三维点云去噪，旨在获得综合点云特征。阶段一，利用双分支编码器提取点云块局部和全局特征，并用交叉注意力融合；阶段二，利用注意力机制增强阶段一特征，聚焦强特征表达。最终，加权融合两阶段解码位移，指导点云去噪。结果实验在3个数据集上与最新的6种方法进行了比较，在PUNet数据集上，相比Pointfilter取得3个最佳性能、2个次佳性能，双分支双编码器模型取得了6个最佳性能、3个次佳性能；在PCNet数据集上，相比于IterativePFN取得2个最佳性能、6个次佳性能，双分支双编码器模型取得了7个最佳性能、3个次佳性能；在Kinect_v1数据集上，相比于同期最优模型，双阶段双分支模型在两种指标上取得了次佳效果，整体达到最佳。结论本文所提出的双阶段双分支模型的三维点云去噪，解决了点云数据块局部特征和全局特征的提取和融合问题，实现了更好的去噪效果。

目的现有的基于多视图的三维模型分类方法通常基于预设的多个视点渲染三维模型，然后将所有渲染的视图送入神经网络模型实现分类。显然由于冗余和无效视图的存在，每个视图对于分类目标的作用并不相同。选择出对分类目标贡献大的视图，不仅有利于提高基于多视图的三维模型分类的性能，而且能够提供表征三维模型的代表性视图。方法本文提出了一种Transformer注意力引导的三维模型最优视图选择与分类方法。在从正十二面体20个视角对待预测的三维模型渲染后，首先采用卷积神经网络从多个视图提取特征信息，获得多视图局部特征Token序列，并对其进行位置编码，以保留其空间位置信息。随后，将可学习的全局分类Token与多视图特征Token序列合并，输入至Transformer编码器进行全局视图特征融合，获得初始全局分类特征。接下来，最优视图选择模块基于全局视图特征融合过程中的注意力得分矩阵计算各视图对初始全局分类Token的贡献，并选择得分高的视图作为最优视图。最后，将最优视图特征Token序列与初始全局分类Token拼接后输入到Transformer编码器进行最优视图融合，并获得最终的全局分类Token，将其输入分类预测模块获得最终分类概率，并输出选择的最优视图。本文在训练过程中采用了随机丢弃视图和对比学习策略，以进一步提高模型的泛化性能。结果在ModelNet40基准数据集上，本文提出的方法总体识别精度和平均识别精度分别为97.61%和96.36%，在达到当前最先进的分类水平的同时，基于Transformer注意力得分矩阵选择出的最优视图更具有表征性。结论本文方法利用Transformer来实现不同视图特征之间的融合，通过自注意力、残差连接以及多层堆叠机制，Transformer能够有效学习数据的复杂特征，并捕捉不同视图之间的全局上下文关系。同时，其注意力得分矩阵为最优视图选择提供了依据，在实现高效分类的同时，能够选择出最具有表征性的视图。

近年来，基于卫星视频的单目标跟踪受到了广泛的关注，其在军事和民用领域发挥着重要作用，可用于城市尺度下的灾害救援、治安防范、突发事件监控等。但受到目标尺寸小、相似目标干扰、运动模糊、背景复杂等各种因素的影响，卫星视频单目标跟踪面临着诸多的挑战。为使更多国内外学者对该领域进行探索，本文对卫星视频单目标跟踪研究现状进行了梳理和分析。首先，阐述了该领域的挑战与优势，视频卫星视野范围大，车辆等目标在卫星视频中只占几个或十几个像素，特征和纹理稀少，此外卫星视频中目标数量较多，目标与干扰物间的可区分性差，相似性较高，还存在目标的快速移动或卫星平台的抖动导致目标模糊的情况，以及目标存在于复杂的背景中，当运动目标本身不明显，背景信息比目标信息更加突出时，会导致跟踪失败。但相对于地面或低空视频，基于卫星视频的目标跟踪又有一定的优势，比如：目标的外部条件，如摄像机视角等相对稳定、卫星视频中的目标多为刚性目标，在跟踪过程中很少发生严重变形、目标的运动状态简单明了，运动轨迹多为直线或平滑的曲线。其次，总结了典型的跟踪方法，包括基于生成式的方法、基于相关滤波的方法和基于深度学习的方法，介绍了解决特征稀少、遮挡、相似目标干扰等问题的相关研究。然后，归纳了现有的卫星视频单目标跟踪数据集和常用的性能评价指标，卫星视频当目标跟踪数据主要有：XDU-BDSTU、VISO、SatSOT、OOTB，其中VISO数据集规模最大，包括训练集和测试集，XDU-BDSTU数据集中的影像幅宽大，适用于长时跟踪，OOTB数据集中的目标标注为旋转框，更加贴合目标。性能评价指标主要有：精确率、成功率、帧率。此外，在自制的测试集上对典型的单目标跟踪方法进行了性能评测与分析，实验结果表明运动估计、时序信息以及背景信息的利用对卫星视频目标跟踪任务较为重要。最后，从统一跟踪结果评价指标、更大规模的高质量卫星视频目标跟踪数据集，更适合于卫星视频单目标跟踪的模型、长时跟踪几个方面展望了卫星视频单目标跟踪算法的未来发展趋势。

目的当前多数的行人轨迹预测方法专注于序列化数据的特征，忽略了对行人轨迹的社会语义进行学习，因此本文着重研究行人轨迹中的社会特征与人类行走特征，提出了结合社会约束与轨迹终点的路径逐步估计网络（Path stepwise estimation network combining social constraints and trajectory endpoints， PSEN）。方法本文根据人类在行走中对路径规划的三点特征，一是社会约束，将人群按照社交约束，依据运动学信息进行分类，并根据社交权重得到被预测行人与类内其他行人的社交注意力，从而影响后续的路径估计网络；二是通过模拟行人会先确定终点，有目的性地规划自己行走的路径这一特征，设计一个终点估计网络，通过时空序列对终点进行预测，对完整的路径规划提供参考价值；三是行人不断根据周边环境与终点进行局部路径微调并重新分配注意力的特征，搭建终点与路径微调网络，实现自动根据环境进行微调路径规划的效果。结果实验在ETH/UCY数据集上与6种基线方法进行了比较，在SDD数据集上与5种基线方法进行了对比，在ETH/UCY整个数据集中评价标准平均位移误差（average displacement error， ADE）/最终位移误差（final displacement error， FDE）平均降低了5.1%/7.5%，在SDD数据集中评价标准ADE/FDE平均降低了1%/2%，针对行人较为密集的场景，如ZARA1，ZARA2，UNIV数据集的预测效果均提升了10%以上的效果。同时在ETH/UCY数据集上进行了消融实验，根据实验结果证明了PSEN各个模块能够提高行人轨迹预测任务的效果，ADE和FDE分别平均降低19%和31%。结论本文所提出的结合社会约束与终点的路径逐步估计网络（PSEN），综合了真实世界中行人场景的三个特点，在ETH/UCY与SDD数据集上取得了更优异的效果。