[1] 江苏省产学研合作项目:商品图像识别系统研发,已结题,主持
[2] 镇江市“金山英才”创新创业人才项目:基于深度学习的车辆轨迹预测系统研发与产业化,在研,主持
部分研究和应用成果:
1、水下图像增强
水下图像增强旨在解决水下图像亮度降低、对比度下降和颜色失真等问题,提高水下图像质量,增强信息的可视性。我们提出ICDT模型用于水下图像增强,该模型具有良好的扩展性,能够获得SOTA的图像增强性能,且可以作为通用的图像生成模型,应用于各种图生图的计算机视觉任务。




X. Nie*, S. Pan(指导的硕士生), X. Zhai, S. Tao, F. Qu, B. Wang, H. Ge, and G. Xiao(指导的硕士生), Image-conditional diffusion transformer for underwater image enhancement, 2024, arXiv: 2407.05389. [arXiv]
2、车辆行驶轨迹预测
车辆/行人轨迹预测广泛应用于自动驾驶等领域。我们基于深度学习模型对时间序列预测的原理,成功实现了对车辆行驶轨迹的预测。
本项目获镇江市“金山英才”创新创业人才项目资助。



3、商品图像识别
我们提出了商品图像识别技术方案,该方案由主体检测、特征学习和向量检索三个模块组成,是一个实用的轻量级通用图像识别系统。基于此技术方案,商超零售企业可实现大量商品的快速识别,提高识别效率,节省人工及时间成本;当新品迭代更新时,该方案无需重新训练模型,能够做到“即增即用”,解决了商超零售场景下商品图像识别的痛点问题。
本项目获江苏省产学研合作项目资助。





4、电能质量检测
电能质量扰动(PQD)的检测分类在电力系统中至关重要。针对噪声环境下的PQD分类问题,我们提出了ST-GSResNet方法,该方法结合了S变换、改进的ResNet模型和通道注意机制。相比现有的PQD检测分类方法,ST-GSResNet在分类准确性和计算效率上都具有优势。


S. Pan(指导的硕士生), X. Nie*, X. Zhai, C. He, and Z. Ding, Classification of power quality disturbances using residual networks with channel attention mechanism, Engineering Applications of Artificial Intelligence, vol. 151, 2025, Art. no. 110641. [Link]
5、晶圆缺陷检测
晶圆缺陷检测在半导体生产过程中意义重大。我们提出了一种基于集成学习的晶圆缺陷检测方法,该方法融合了四种深度学习模型的识别结果,可有效提高晶圆缺陷检测的准确率。


S. Pan(指导的硕士生), X. Nie*, and X. Zhai, Enhancing wafer defect detection via ensemble learning, AIP Advances, vol. 14, no. 8, Aug. 2024, Art. no. 085301. [Link]