本研究提出了多种基于深度学习的道路裂缝检测方法，包括特征金字塔和分层增强网络（FPHBN）、CrackCLF模型和UP-CrackNet，旨在提高检测的准确性和效率。实验结果表明，这些方法在裂缝检测任务中优于传统技术，尤其在无监督学习和细粒度特征提取方面表现突出，具有广泛的应用潜力。

本研究提出了一种基于深度学习的路面裂缝检测新方法，特征金字塔和分层增强网络（FPHBN），在准确性和通用性上优于现有技术。同时，研究还探讨了下水道缺陷检测的自动化，利用深度学习和大规模数据集实现高效分类，显著提高检测准确率。

本文介绍了一种名为Cas6D的6D物体位姿估计方法，该方法基于合成图像和少量真实图像，利用自监督学习和特征金字塔提高姿态估计精度。研究表明，Cas6D在少样本学习中优于现有技术，适用于机器人抓取和操作任务。