-
公开(公告)号：CN119935096A
公开(公告)日：2025-05-06
申请号：CN202510009093.2
申请日：2025-01-03
Applicant: 哈尔滨工业大学
Abstract: 基于自适应动态模板的MAV机载目标跟踪方法和系统，属于目标跟踪技术领域，解决MAV机载跟踪中跟踪性能和计算复杂度难以平衡问题。本发明的方法包括：设置初始模板、临近模板和记忆模板，将当前帧搜索特征、初始模板、临近模板、记忆模板输入自适应模版融合STF模块，生成最终模板；将最终模板与搜索模板进行相关操作，得到响应图，判断当前跟踪状态，更新临近模板和记忆模板；记忆模板生成模块采用时间上串联的方式，提炼整合历史跟踪结果中的关键信息，使得有限的模板特征内存能够包含全部的历史信息。自适模板融合模块利用模板与搜索特征间的相似度矩阵，实现在不同跟踪阶段对模板权重的动态调整。本发明适用于MAV机载目标跟踪。
-
公开(公告)号：CN113744132B
公开(公告)日：2024-09-27
申请号：CN202111055372.0
申请日：2021-09-09
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T7/00 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于多重优化的MR图像深度网络超分辨方法，解决了现有利用深度学习网络重建超分辨率MR图像时难以在模型复杂度和训练难度取得较好平衡的问题，属于图像超分辨率重建技术领域。本发明包括：获取MR图像训练集，包括多切片的低分辨MR图像集和对应的多切片高分辨MR图像集；利用MR图像训练集对超分辨深度学习网络进行训练，超分辨深度学习网络包括融合层和多个超分辨网络，每个超分辨网络的输入为低分辨MR图像，每个超分辨网络的输出同时输入到融合层，融合层输出高分辨MR图像；利用训练完成后的超分辨深度学习网络将低分辨MR图像重建为高分辨MR图像。超分辨网络和融合层在训练时，可采用不同的损失函数的级联。
-
公开(公告)号：CN117974977A
公开(公告)日：2024-05-03
申请号：CN202410091551.7
申请日：2024-01-23
Applicant: 哈尔滨工业大学
IPC: G06V10/25 , G06V10/40 , G06V10/80 , G06N3/092 , G06V10/74 , G06V20/52 , G06N3/048 , G06N3/045 , G06N3/084
Abstract: 本发明提出了一种基于混合动作空间强化学习的主动视觉增强方法及系统，属于计算机视觉和强化学习技术领域，首先构建了一种剪切特征融合目标过滤器，基于目标表观特征和余弦相似度进行多目标的识别和筛选，基于剪切特征融合目标过滤器，提出了一种基于混合动作空间的用于控制PTZ摄像头增强其上搭载的目标检测算法置信度效果的强化学习算法，能够根据当前场景和目标检测结果自主地决策行动，以优化目标检测和信息获取过程；本发明有效提升了多种目标检测算法的置信度水平，对不同的应用场景具有高度泛化性，能够高效地进行多目标监控。
-
公开(公告)号：CN117649573A
公开(公告)日：2024-03-05
申请号：CN202311528655.1
申请日：2023-11-16
Applicant: 哈尔滨工业大学
IPC: G06V10/774 , G06V10/74 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明是一种基于SAR图像样本质量评估体系的模型训练样本筛选方法。本发明涉及人工智能领域中用于深度学习中提升模型的训练效率技术领域，本发明首先准备样本集，进行样本质量评估，共计9个评估指标。将每个样本的质量评估指标降序排列后根据质量分布特性构建样本子集，然后根据不同的性能指标对样本进行筛选。最后融合性能表现优秀的样本，完成样本子集的融合操作。本发明所提出的样本筛选方法可以有效地提高模型的训练效率。
-
公开(公告)号：CN117389324A
公开(公告)日：2024-01-12
申请号：CN202311354945.9
申请日：2023-10-18
Applicant: 哈尔滨工业大学
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 一种提升无人机由训练到应用迁移性能方法和系统，涉及无人机训练领域。解决当前无人机仿真场景和实际应用场景差异导致的迁移应用下无人机自主导航避障性能较差的问题。所述方法：S1：随机生成仿真场景障碍物坐标，构建智能体训练场景；S2：无人机进行训练；S3：清除仿真场景障碍物，无人机返回起点，重新随机生成障碍物坐标，构建新的仿真训练场景；S4：重复上述步骤，直到完成训练，获得无人机自主导航模型；S5：在无人机自主导航模型的应用场景中，采用滤波器对激光雷达传感器获得的测量数据进行滤波；S6：基于滤波后的测量数据构建无人机信息，输入无人机自主导航模型，完成无人机的自主导航。应用于无人机自主导航及控制领域。
-
Patent Agency Ranking
公开(公告)号：CN116309038A
公开(公告)日：2023-06-23
申请号：CN202211421988.X
申请日：2022-11-14
Applicant: 哈尔滨工业大学
IPC: G06T3/40 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 低分辨图像域迁移网络构建方法及装置、基于域迁移的非配对MR图像超分辨方法及装置，涉及核磁共振成像领域中采集的低分辨核磁共振图像的超分辨领域。针对现有技术中存在的，真实MR图像的退化过程和双三次降采样过程相差甚远，往往存在畸变、模糊、放大未知噪声等缺点、传统的基于单图超分辨方法的MR图像超分辨技术不能满足实际需求的问题，本发明提供的技术方案包括：采集低分辨MR图像集和图像集的降采样高分辨MR图像集；对低分辨MR图像集和降采样高分辨MR图像集进行初步特征提取；将提取到的低分辨MR图像集的低分辨特征和提取到的降采样高分辨MR图像集的高分辨特征作为输入，构建网络。适合应用于提升低分辨核磁共振图像的分辨率的工作中。
-
公开(公告)号：CN111414994B
公开(公告)日：2022-07-12
申请号：CN202010150245.8
申请日：2020-03-03
Applicant: 哈尔滨工业大学
Abstract: 本发明是一种基于FPGA的Yolov3网络计算加速系统及其加速方法。所述系统包括ARM和FPGA平台架构、片外存储区、AXI_M接口和AXI_S接口，所述ARM平台架构包括核心处理器和数据和内存控制器，所述FPGA平台架构包括加速核心单元、输入缓存端和输出缓存端；所述核心处理器包括ARM Cortex‑A53CPU和L2缓存区，所述片外存储区包括SD卡和外部DDR4，所述加速核心单元包括数据矩阵向量阵列和计算模块。本发明输入和输出缓存端采用多通道并行读取写回的方式代替传统的单通道读写方式，最大化利用了Zynq芯片的带宽。输入缓存端设计双缓存区和寄存器阵列，实现高效的数据复用，成倍提高带宽。
-
公开(公告)号：CN113744132A
公开(公告)日：2021-12-03
申请号：CN202111055372.0
申请日：2021-09-09
Applicant: 哈尔滨工业大学
Abstract: 基于多重优化的MR图像深度网络超分辨方法，解决了现有利用深度学习网络重建超分辨率MR图像时难以在模型复杂度和训练难度取得较好平衡的问题，属于图像超分辨率重建技术领域。本发明包括：获取MR图像训练集，包括多切片的低分辨MR图像集和对应的多切片高分辨MR图像集；利用MR图像训练集对超分辨深度学习网络进行训练，超分辨深度学习网络包括融合层和多个超分辨网络，每个超分辨网络的输入为低分辨MR图像，每个超分辨网络的输出同时输入到融合层，融合层输出高分辨MR图像；利用训练完成后的超分辨深度学习网络将低分辨MR图像重建为高分辨MR图像。超分辨网络和融合层在训练时，可采用不同的损失函数的级联。
-
公开(公告)号：CN119785107A
公开(公告)日：2025-04-08
申请号：CN202411959736.1
申请日：2024-12-30
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06N3/045 , G06N3/0495 , G06N3/082 , G06V10/40 , G06V10/74
Abstract: 基于特征空间扩展压缩和空谱联合增广的高光谱图像类增量学习方法和系统，涉及高光谱图像类增量学习领域。解决了传统的图像增广方法主要针对空间信息进行处理，无法充分利用高光谱图像的光谱维度，同时类增量学习中的存在灾难性遗忘的问题。方法包括：根据空间‑光谱联合增强方法构建轻量化分类模型；在初始阶段，将全精度网络作为教师模型为轻量级网络的训练提供在线监督；在增量阶段，引入新的全精度网络缩小旧特征空间和目标特征空间之间的差距，获取优化的量化网络；根据优化的量化网络实现高光谱分类网络的学习能力的在线更新。应用于图像处理领域。
-
公开(公告)号：CN118550320A
公开(公告)日：2024-08-27
申请号：CN202410557434.5
申请日：2024-05-07
Applicant: 哈尔滨工业大学
IPC: G05D1/695 , G05D109/20
Abstract: 一种基于深度强化学习的无人机自主导航方法和系统，涉及无人机自主导航领域。解决无人机训练模型收敛速度慢、无人机保守和激进行为平衡问题以及未考虑智能体动态变化趋势对导航任务影响的问题。方法包括：获得当前状态信息和前一时刻状态信息；根据当前时刻状态信息、前一时刻状态信息和无人机当前时刻自身信息构建无人机当前时刻的状态空间；获得当前时刻的动作空间；无人机执行期望的动作并获得奖励，同时更新下一时刻的状态信息；构建下一时刻的状态空间；将当前时刻的状态空间、动作空间、奖励、下一时刻的状态空间作为样本存储于经验回放池；训练无人机自主导航模型；根据训练后的模型，执行无人机的自主导航任务。应用于工业、农业领域。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.029 seconds)
