公开(公告)号：CN110751612A

公开(公告)日：2020-02-04

申请号：CN201911069082.4

申请日：2019-11-05

Applicant: 哈尔滨理工大学

Inventor： 柳长源 ,  王琪 ,  张一帆 ,  何先平

IPC: G06T5/00 ,  G06T5/50 ,  G06N3/04

Abstract: 该发明涉及一种多通道多尺度卷积神经网络的单幅图像去雨方法。建立了多通道多尺度卷积神经网络用于提取有雨图像的特征信息并向无雨图像方向映射。首先利用引导滤波将有雨图像进行分解，得到低频背景图像和更高频雨线图像。然后将低频背景图像和更高频雨线图像一起送入卷积神经网络进行特征学习,得到去除雨线的低频图像和更高频图像，最后将其相融合得到去雨图像。卷积神经网络中对低频背景图像和更高频雨线图像提取的是多尺度特征图。同时，在构造网络模型时利用空洞卷积代替普通来提取图像的多尺度特征信息，得到更丰富的图像特征，提高算法的去雨性能。通过实验验证本发明可以有效去除图像中的雨线，且去雨之后的图像清晰，细节保持度高。

公开(公告)号：CN113205108A

公开(公告)日：2021-08-03

申请号：CN202011206816.1

申请日：2020-11-02

Applicant: 哈尔滨理工大学

Inventor： 柳长源 ,  张林林 ,  何先平 ,  张荟

IPC: G06K9/62

Abstract: 本发明公开了一种基于YOLOv4的多目标车辆检测跟踪方法，首先，通过k‑means聚类算法优化anchor box的预测，以便YOLOv4更加适应车辆数据集的要求；其次，改进了YOLOv4的目标检测网络，有效提高了检测精度；最后，采用卡尔曼滤波和匈牙利算法解决预测结果和跟踪结果之间的数据关联问题，将目标运动信息和表观信息结合作为总的关联代价，有效减少了ID Switch现象。本发明不仅提高了复杂场景中对多目标和弱小目标检测的准确率，还提高了目标跟踪算法的鲁棒性以及适应性。

公开(公告)号：CN113205107A

公开(公告)日：2021-08-03

申请号：CN202011202614.X

申请日：2020-11-02

Applicant: 哈尔滨理工大学

Inventor： 柳长源 ,  何先平 ,  张林林 ,  李道璐

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于改进高效率网络的车型识别方法，所述方法包括：采用EfficientNets作为车型识别的基础网络，根据数据集选择与其最适配的网络，通过复合缩放的方法来平衡网络的深度、宽度、分辨率，实现三个维度之间的平衡，在利用深度可分离卷积代替普通卷积的基础上在网络最后添加softmax分类器进行分类，用标签平滑正则化对损失函数进行处理来代替原始模型中的交叉熵损失函数，从而减小模型过拟合问题本，发明将深度学习EfficientNets用于车型识别，利用其复合缩放的优势，增加softmax分类器进行分类，用标签平滑正则化对损失函数进处理，提高网络的容错性与车型识别的准确率。