公开(公告)号：CN110689021A

公开(公告)日：2020-01-14

申请号：CN201910985552.5

申请日：2019-10-17

Applicant: 哈尔滨理工大学

Inventor： 李成严 ,  马金涛 ,  赵帅

IPC: G06K9/44 ,  G06K9/40 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提出一种基于深度学习的低可见度的实时目标检测方法，通过引导滤波来解决受烟尘、水雾、光影影响较大的低可见度环境下的目标检测问题。采用SSD目标检测模型对帧图片进行处理，找出目标区域坐标，充分利用SSD目标检测模型的准确性优势。引入引导滤波，与SSD目标检测模型融合，解决低可见度环境下的影响因素，在受环境因素影响的场景中，使用引导滤波去进行图像增强、去雾等操作，处理后图像更清晰，分辨率更高，图像经处理后，产生目标位置坐标，传入下层网络GoogleNet进行准确性验证，利用GoogleNet网络的效率性，在不降低速度的情况下，提高检测精度。本发明能够在低可见度环境对目标进行准确识别，并且具有一定的可靠性，识别的精度更高。

公开(公告)号：CN112580664A

公开(公告)日：2021-03-30

申请号：CN202011468851.0

申请日：2020-12-15

Applicant: 哈尔滨理工大学

Inventor： 李成严 ,  赵帅 ,  车子轩

IPC: G06K9/46 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提出了一种基于SSD的小目标检测方法，通过多尺度特征融合、学习具有大感受野的高分辨率特征、引入注意力机制等特征增强的方式丰富小目标的特征信息，提高小目标的特征质量，通过Anchor‑object匹配策略联合分类与定位的置信度去学习Anchor，解决每个被分配的Anchor独立的监督网络学习以进行分类与定位与分类与定位之间没有交互的问题，来提升小目标的检测精度以及定位精度，此外，数据集样本的多样性能够有效的提升模型对小目标检测的精度和泛化能力，所以本发明在数据样本的采集上，参考了不同光照、不同姿态及遮挡程度等众多影响因素。

公开(公告)号：CN110825786A

公开(公告)日：2020-02-21

申请号：CN201911073607.1

申请日：2019-11-06

Applicant: 哈尔滨理工大学

Inventor： 李成严 ,  辛雪 ,  赵帅

IPC: G06F16/2458

Abstract: 本发明提出了一种基于Spark的大数据关联规则挖掘方法。该方法采用Spark运行框架，通过读取用户给定的数据集地址读取数据集并转换成垂直数据库，对转换后的垂直数据库进行读取并过滤得到频繁1-项集。对频繁1-项集求交集得到频繁2-项集，整个过程使用位图存放TidSet来加快求交集的效率。将频繁2-项集使用前缀划分原则得到频繁K-项集。数据预处理和前缀划分原则这两种方法使本发明运行效率更快，对于大型数据集也可以有很好的运行效率。