借鉴变色龙视觉的高度独立性、对称性、全局性与选择性兼顾等特点，该文提出一种基于双PTZ (Pan-Tilt-Zoom)相机的主从跟踪方法。由于两个相机的对称性和参数可变性、可控性，这种方法相对于静止加主动相机的主从跟踪系统，可以增大监控范围；相对于多静止加主动相机的系统，可减小硬件开销；相对于全向加主动相机的系统，更有利于信息融合。该文设计了基于球面坐标模型的主从控制方法，可方便实现两相机在任意pan-tilt-zoom参数下的主从模式跟踪，实现对目标的多尺度视觉关注。在室外场景中进行的多组实验验证了所提方法的有效性。

目前基于标签的Grbner基算法大多是Buchberger型的，涉及矩阵型算法的文献往往是为了进行复杂度分析，而不考虑实际的效率。该文从实际应用出发，给出矩阵型Gao-Volny-Wang(GVW)算法的一个实例，提出算法层次的优化设计方法。同时，该文还给出一个高效的约化准则。通过实验，该文比较了算法可用的各项准则及策略。实验结果表明，该文的矩阵型GVW实例在准则和策略的选取上是最优的。并且，矩阵型GVW在某些多项式系统(例如，Cyclic系列和Katsura系列多项式系统)下比Buchberger型GVW要快2~6倍。

针对目前深度学习单阶段检测算法综合性能不平衡以及在嵌入式设备难以部署等问题，该文提出一种面向嵌入式平台的高性能目标检测算法。基于只看1次5代 (YOLOv5)网络，改进算法首先在主干网络部分采用设计的空间颈块代替原有的焦点模块，结合改进的混洗网络2代替换原有的跨级局部暗网络，减小空间金字塔池化 (SPP)的内核尺寸，实现了主干网络的轻量化。其次，颈部采用了基于路径聚合网络 (PAN)设计的增强型路径聚合网络 (EPAN)，增加了P6大目标输出层，提高了网络的特征提取能力。然后，检测头部分采用以自适应空间特征融合 (ASFF)为基础设计的自适应空洞空间特征融合 (A-ASFF)来替代原有的检测头，解决了物体尺度变化问题，在少量增加额外开销情况下大幅提升检测精度。最后，函数部分采用高效交并比 (EIoU)代替完整交并比 (CIoU)损失函数，采用S型加权线性单元 (SiLU)代替HardSwish激活函数，提升了模型的综合性能。实验结果表明，与YOLOv5-S相比，该文提出的同版本算法在mAP@.5，mAP@.5:.95上分别提高了4.6%和6.3%，参数量降低了43.5%，计算复杂度降低了12.0%，在Jetson Nano平台上使用原模型和TensorRT加速模型进行速度评估，分别减少了8.1%和9.8%的推理延迟。该文所提算法的综合指标超越了众多优秀的目标检测网络，对嵌入式平台更为友好，具有实际应用意义。