《Mathematics》：Preface to the Special Issue “Advanced Methods and Applications with Deep Learning in Object Recognition”
编辑推荐：
本特刊聚焦于目标检测与识别，这是计算机视觉几乎所有应用中的核心任务，展示了新型数学算法、架构和方法在提升该任务性能方面的能力，重点强调了在相关应用中的挑战性条件下新解决方案及其性能分析。计算机视觉领域在过去十年中采用了深度学习（Deep Learning）模型
本特刊聚焦于目标检测与识别，这是计算机视觉几乎所有应用中的核心任务，展示了新型数学算法、架构和方法在提升该任务性能方面的能力，重点强调了在相关应用中的挑战性条件下新解决方案及其性能分析。计算机视觉领域在过去十年中采用了深度学习（Deep Learning）模型，因其相比经典方法具有优越性能。这些模型需要高处理能力（GPU）进行大规模数据集训练并提供实时推理，主要由卷积神经网络（Convolutional Neural Networks, CNNs）主导。它们分为两类：两阶段检测器追求最大精度但可能牺牲推理时间，一阶段检测器面向实时应用的最小推理时间。两阶段检测器由R-CNN家族（Region-proposal CNNs）主导，如Fast R-CNN、Faster R-CNN或Cascade R-CNN；一阶段检测器则由YOLO家族主导，还包括SSD和RetinaNet。近年来，视觉变换器（Vision Transformers, ViTs）家族也被应用于目标检测与识别任务，基于自注意力机制，学习序列元素间的关系，将变换器架构应用于图像网格。ViT利用CNN作为特征提取骨干网络。此外，目标检测与多目标跟踪（Multi-Object Tracking, MOT）等其他开放挑战密切相关，后者涉及视频序列中感兴趣目标的检测与跟踪，目标不仅是识别和定位，还需跨帧关联以保持连续性并跟踪动态变化。在评估方面，在不同解决方案间进行公平比较较为复杂，需考虑精度与速度的平衡、输入图像分辨率、评估参数配置等因素。不同场景下的条件差异使得难以获得对域迁移鲁棒的通用解决方案，通常需针对新场景进一步微调。基于可用基准和数据集进行分析是常见做法，许多作者指出类不平衡是实现高精度的额外挑战。其他深度学习架构（如GAN或自编码器）可与检测器结合增强训练阶段，增加数据集规模和多样性，以改进极小目标检测。此外，通过调整损失函数聚焦于难例学习、避免对大量负样本的偏倚，可改善不平衡情况下的学习效果。
深度学习在目标识别中的先进方法与应用：特刊解读
**研究背景与问题**
目标检测与识别是计算机视觉（Computer Vision, CV）的核心任务，广泛应用于自动驾驶、安防监控、医疗影像等领域。近年来，基于深度学习（Deep Learning, DL）的模型（如卷积神经网络（Convolutional Neural Networks, CNNs）和视觉变换器（Vision Transformers, ViTs））在该任务中取得了显著进展，但仍面临诸多挑战：精度与推理速度的权衡、域迁移（Domain Shift）导致的泛化能力不足、类不平衡（Class Imbalance）问题、小目标检测困难、对高处理能力（GPU）的依赖等。此外，多目标跟踪（Multi-Object Tracking, MOT）、图像恢复、场景文本识别等关联任务也需进一步优化。为应对这些挑战，本特刊聚焦于深度学习在目标识别中的先进方法与应用，收集了12篇原创研究，旨在探索新型数学算法、架构和方案，提升在复杂条件下的性能。
**研究人员开展的研究与意义**
研究人员在特刊中提出了涵盖3D多目标跟踪、公共卫生监测、人脸图像恢复、韩文零售收据文本识别、红外小目标检测、大视角特征提取、仪表数字识别、边缘设备实时检测、基于多模态对比学习的姿态分类、室内火灾与可燃物检测、功能动作筛查评估、以及交通标志检测综述等12项工作。这些研究系统性地改进了现有方法，在精度、速度、鲁棒性等方面取得了显著提升，为计算机视觉领域的实际应用提供了新思路。论文发表在《Mathematics》。
**关键技术与方法**（不超过250字）
特刊中采用的主要技术方法包括：基于Mamba状态空间模型（State-Space Model, SSM）结合dropout正则化和投影层的时序特征提取；基于开放世界视觉语言检测（Open-World Vision-Language Detection）与聚类策略的公共健康监测框架；基于分割引导的生成对抗网络（GAN）与注意力增强U2-Net的图像恢复方法；基于YOLOv9/v10/v11、DINO-DETR等模型的场景文本检测与OCR数据处理；基于多尺度线性注意力（Multi-Scale Linear Attention, MSLA）与稀疏融合机制的RT-DETR改进框架；基于优化仿射模拟与双阈值AGAST（Adaptive and Generic Accelerated Segment Test）特征检测器结合FREAK（Fast Retina Keypoint）描述符的大视角特征提取方法；基于SVM图像质量检测与深度学习数字定位的仪表读数技术；基于SSD MobileNet和YOLOv5的嵌入式边缘设备优化部署；基于对比语言-图像预训练（Contrastive Language-Image Pre-training, CLIP）的少样本人体姿态分类；基于双注意力网络（Dual Attention Network, DANet）的室内火灾与可燃物语义分割；基于膨胀3D卷积网络（Inflated 3D ConvNet, I3D）结合注意力机制（Attention Mechanism, AM）和多层感知机（Multilayer Perceptron, MLP）的功能动作筛查自动评估；以及基于YOLO的交通标志检测系统综述。样本队列来源包括：KORIE收据数据集（748张韩国零售收据，平板扫描数字化）、MAFD数据集（室内火灾与可燃材料图像）、瑜伽姿势数据集等。
**研究结果**（保留每个小标题，简要说明通过什么研究得出什么结论）
- **第一项贡献：D3SSTrack**
提出基于Mamba状态空间模型扩展dropout正则化和投影层的单目3D多目标跟踪方案。通过集成状态空间跟踪器学习时序一致性并保持身份嵌入，在数据关联中实现更鲁棒的掩码跟踪，提升了对时序动态的建模能力。
- **第二项贡献：CB-OWL-ViT**
提出基于聚类和开放世界视觉语言检测的公共卫生监测框架，结合单应性距离估计与单目相机，在无需重新训练的情况下增强口罩佩戴检测，适用于COVID-19等场景。独立帧处理检测与社交距离估计，为未来集成跟踪模块奠定了基础。
- **第三项贡献：M2UNet**
提出分割引导的生成对抗网络M2UNet，利用分割掩码先验准确定位遮挡区域，并采用多尺度注意力增强生成器恢复细粒度面部纹理。在合成掩码CelebA数据集上定量评估，优于现有图像修复方法，但真实场景数据待后续收集。
- **第四项贡献：KORIE**
构建包含748张韩国零售收据的基准数据集KORIE，挑战性条件包括热敏打印伪影（如褪色、条纹、机械折痕）。对比YOLOv9/v10/v11、DINO-DETR、EasyOCR、PaddleOCR及零样本大语言模型（Llama-3、Qwen-2.5）的性能，为场景文本检测、OCR和信息提取提供评测基准。
- **第五项贡献：MSLCP-DETR**
提出基于增强RT-DETR的框架，集成多尺度线性注意力（MSLA-AIFI）捕获跨尺度特征并降低计算复杂度，跨尺度小目标特征优化模块（CSOFO）增强密集场景中小目标定位，金字塔稀疏变换器（PST）替换传统密集融合提高精度与实时性。实验表明，与基线RT-DETR-R18相比，性能提升2.7%，参数数量和计算复杂度均更优。
- **第六项贡献：LV-FeatEx**
提出大视角特征提取方法，针对相机反向与物体表面法线夹角超过40°的情况。采用优化仿射模拟实现透视畸变对齐的特征点提取，结合双阈值AGAST检测器和FREAK描述符，在准确性和速度上均优于经典和深度学习特征提取方法，有效估计相机运动参数。
- **第七项贡献：仪表数字识别**
提出面向真实环境的自动仪表读数方法，先通过SVM方法检查图像质量，不合格则要求重新上传；随后使用深度学习模型进行数字定位与识别，自动检测并修正缺失数字和中间状态数字，提升读数的准确性。
- **第八项贡献：边缘设备实时摩托车检测**
研究不同嵌入式边缘设备（如Jetson系列）上SSD MobileNet和YOLOv5的摩托车检测性能。优化后模型尺寸显著减小，计算复杂度降低，推理速度提升，尽管mAP下降约5%，但FPS更高，适用于实时应用。
- **第九项贡献：基于CLIP的人体姿态分类**
探索多模态对比语言-图像预训练（CLIP）模型在少样本多类数据集上的应用，以瑜伽姿势分类为例。CLIP作为鲁棒微调器，除自然语言理解能力外，在图像分类中表现出色，优于先前结果。
- **第十项贡献：室内火灾与可燃物检测**
提出新数据集MAFD（Material-Auxiliary Fire Dataset），包含火灾与可燃材料图像。针对室内场景设计双注意力网络（DANet）进行语义分割，在火灾与可燃物识别上优于PSPNet、CCNet、FCN、ISANet、OCRNet等主流方法。
- **第十一项贡献：功能动作筛查自动评估**
基于膨胀3D卷积网络（I3D）提取多尺度时空特征，结合注意力机制（AM）模块聚焦人体运动特征，最后通过多层感知机（MLP）进行分类，实现功能动作筛查（FMS）的自动评估，有效识别功能性限制。
- **第十二项贡献：YOLO交通标志检测系统综述**
对2016-2022年基于YOLO的交通标志检测与识别研究进行系统文献综述（SLR）。发现最常见应用为车辆安全与智能自动驾驶；训练数据集多来自德国和中国；常用桌面处理硬件为NVIDIA RTX 2080、Titan Tesla V100和Jetson Xavier NX。
**总结与结论**
本特刊的讨论部分指出，目标检测与识别领域面临公平比较困难、域迁移、类不平衡等挑战，需结合多种深度学习架构（如GAN、自编码器）增强训练，并通过调整损失函数聚焦难例。研究结论可归纳为：特刊收集的12项工作从不同角度（多目标跟踪、小目标检测、图像恢复、边缘部署、少样本学习等）提出了创新解决方案，验证了深度学习在目标识别中的广阔应用前景，并为后续研究提供了基准和方法参考。
