视觉重复模式指的是在空间上或时间上重复循环出现,并且在图像内或图像序列间形成了一定的排列的模式,结构,物体。具体的例子在人类活动范围内大量存在,如建筑的窗户,货架上的商品,生产车间中的产品,视频中的人类运动等。因此,重复模式的研究与分析具有极高的学术研究价值与工业应用价值。如今,深度学习已经在许多视觉应用上得到了广泛应用,极大地推动了计算机视觉领域的发展。然而,目前基于深度学习的视觉重复模式的研究与分析仍然处于早期探索阶段。这是因为视觉重复模式的定义是一个比较高层次的语义范畴,往往依赖于大量人类先验知识。而目前的卷积神经网络算法只是简单的人为设计网络结构以拟合任务描述,其中的基于先验知识的逻辑推理过程往往被忽略,因此难以解决规则复杂的重复模式分析问题。然而,考虑到卷积神经网络本身强大的特征提取能力以及上下文信息的融合能力,基于深度学习的重复模式分析与应用应当具有极大的潜力。本文为了解决深度学习在视觉重复模式分析与应用中因为规则复杂难以被应用的困境,以如何把人类对于视觉重复模式的先验知识融入深度学习网络为着力点,研究若干个视觉重复模式相关的视觉任务,包括时间域重复模式计数,空间域的密集重复模式目标检测,及重复模式中的瑕疵检测,提出了以下几个创新的内容和工作:1.本文提出了一个精心设计的上下文感知及尺度不敏感的时域重复模式计数框架,用于减少由于模式循环长度在大尺度范围内变化而导致的时域重复模式计数误差。基于对时域重复模式的周期观察,本文提出了一个从粗糙到精细的循环长度修正方法。该方法通过基于多层级结构的传播机制,可以在避免大量运算的同时,为视频的每一个时间点赋予可回归范围内的初始化循环长度估计结果。同时,本文提出了一个上下文感知双循环长度估计方法。该方法是一个以两个连续粗糙循环长度范围内的视频帧信息作为网络输入,以修正后的前循环长度和后循环长度作为网络输出的双循环回归网络。为了给时域重复模式计数领域提供一个更有效的训练和评估环境,本文构建了一个新的当前最大的时域重复模式数据集,里面包含了526个涵盖了多种不同时域重复模式的视频。大量的实验展示了本文所提出方法的有效性。所提出方法里用到的回归网络仅仅在一个数据集上训练就在所有数据集上超越了所有现有方法的结果,展示了所提出方法在面对不同数据分布的时域重复模式数据时有良好的泛化性能。2.本文提出了一个基于区域尺度回归损失的密集重复目标检测方法,提升仅在有少量标注可用于学习参数的情况下的算法性能。该方法的主要创新点是提出了一种针对密集目标检测场景的区域尺度回归损失函数。该损失函数的实现是通过在基础检测网络中加入区域尺度预测分支完成的。通过区域尺度预测分支,基于区域平均尺度的回归损失可以作为一种额外监督信息反馈网络,引导网络更好地学习,从而在少样本学习的过程中减少过拟合的情况。通过实验,本文展示了所提出方法在少量训练样本可用的条件下对于密集目标检测的有效性。3.本文提出了一个可抗形变瑕疵检测网络D4Net,其功能是结合可参考正常图像的信息,并用于辅助检测给定测试图像中的瑕疵。该网络主要解决的问题是在带有视觉重复模式的非刚性产品生产监控过程中,如何利用视觉模式的重复性找到产品表面上的瑕疵。该网络的主要特点是通过边缘损失函数压制非刚性形变特征在高层语义空间中的表达,以此增大视觉瑕疵与非刚性形变间的可分性。为了提供贴近真实场景的训练和测试环境,本文还提出了一个基于蕾丝布面的瑕疵检测数据集。大量实验结果表明,在一个来自世界排名前十的蕾丝面料制造商的共有六万七千张图像数据的蕾丝面料瑕疵检测数据集中,D4Net取得了目前的最佳性能,为96.9%的精度和91.7%的F值,这验证了所提出的方法在工业应用中的有效性。