在无人机（UAV）集群攻击地面目标时，UAV集群将分为两个编队：主攻目标的打击型UAV集群和牵制敌方的辅助型UAV集群。当辅助型UAV集群选择激进进攻或保存实力这两种动作策略时，任务场景类似于公共物品博弈，此时合作者的收益小于背叛者。基于此，提出一种基于深度强化学习的UAV集群协同作战决策方法。首先，通过建立基于公共物品博弈的UAV集群作战模型，模拟智能化UAV集群在合作中个体与集体间的利益冲突问题；其次，利用多智能体深度确定性策略梯度（MADDPG）算法求解辅助UAV集群最合理的作战决策，从而以最小的损耗代价实现集群胜利。在不同数量UAV情况下进行训练并展开实验，实验结果表明，与IDQN（Independent Deep Q-Network）和ID3QN（Imitative Dueling Double Deep Q-Network）这两种算法的训练效果相比，所提算法的收敛性最好，且在4架辅助型UAV情况下胜率可达100%，在其他UAV数情况下也明显优于对比算法。

人体姿态估计是计算机视觉中的基本任务之一，可应用于动作识别、游戏、动画制作等领域。当前深度网络模型的设计大多通过加深网络以获得更好的性能，结果导致计算资源的需求超出嵌入式设备和移动设备的计算能力，达不到实际应用要求。针对上述问题，提出了一种融合Ghost模块结构的轻量级网络模型，即使用Ghost模块替换原高分辨率网络中的基础模块，从而减少网络模型的参数量。此外，设计了非局部高分辨率网络，即在网络1/32分辨率阶段融合非局部网络模块，使网络具有获取全局特征的能力，从而提高人体姿态估计的准确率，并在保证模型准确率的前提下降低网络参数量。在MPII人体姿态估计数据集和COCO人体姿态估计数据集上的实验结果表明，所提网络模型与原高分辨率网络相比，在网络模型参数量降低40%的情况下，人体姿态估计准确率提升了1.8个百分点。