-
公开(公告)号：CN118429643A
公开(公告)日：2024-08-02
申请号：CN202410607573.4
申请日：2024-05-15
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/52 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于Deeplabv3+改进的轻量化高效语义分割算法，通过使用轻量级的主干网络，极大地减少了模型的参数量并获取不同层次的输入特征；浅层特征中引入注意力机制提高模型的感知能力，并最终将浅层特征融合；提出一种新的空洞空间卷积池化金字塔模块，并在特征融合后引入空间注意力机制提升精度；最后浅层特征和深层特征拼接后1×1卷积块进行处理；从而在模型参数量、计算效率和分割精度上取得了良好的均衡。
-
公开(公告)号：CN104715461B
公开(公告)日：2017-09-22
申请号：CN201510154588.0
申请日：2015-04-02
Applicant: 哈尔滨理工大学
IPC: G06T5/00
Abstract: 本发明提供了一种图像去噪方法，以克服现有的图像处理技术中的图像去噪方法得到的小波系数与原图像的小波系数之间存在固定偏差的问题。该图像去噪方法包括：对待处理的含噪图像进行多层小波分解，以获得对应的多层小波系数；根据每层小波分解系数和小波系数对应的层序数，确定每层小波系数对应的噪声阈值；利用基于多层小波系数对应的多个噪声阈值的小波阈值去噪函数，对多层小波系数进行去噪处理；以及利用去噪处理后的多层小波系数重构含噪图像对应的原始图像。本发明的图像去噪方法得到的小波系数与原图像的小波系数之间的固定偏差较小，能够避免伪吉布斯现象，对于图像的细节信息保留较好且计算量较小，可应用于无线广播领域。
-
公开(公告)号：CN118537219A
公开(公告)日：2024-08-23
申请号：CN202410026619.3
申请日：2024-01-08
Applicant: 哈尔滨理工大学
IPC: G06T3/4053 , G06T3/4046 , G06T11/40 , G06V10/44 , G06V10/771 , G06V10/82 , G06V10/52 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于多路径特征增强的图像超分辨率重建方法，包括：对已有数据集样本采用数据增强技术，增加训练数据的多样性。之后在浅层特征处理模块和深层特征处理模块之间引入多尺度预处理模块，以增强特征的丰富性和表达力。深层特征提取模块采用多路径学习的思想，在网络中使用多分支残差模块RDB和MSRN，两个分支使用不同大小的卷积核，获取从局部细节到全局结构的不同层次的信息，并将改进的双重注意力模块应用于网络中，实现更细粒度的特征提取，本发明充分利用图像特征的依赖性和相关性，更有效地获取和融合图像中的多层次、多样性特征，得到的高分辨率图像细节纹理更加优秀、色彩还原度更高。
-
公开(公告)号：CN117391993A
公开(公告)日：2024-01-12
申请号：CN202311328769.1
申请日：2023-10-14
Applicant: 哈尔滨理工大学
IPC: G06T5/70 , G06T5/50 , G06T3/04 , G06T7/90 , G06T11/00 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0464
Abstract: 本发明公开了一种基于扩散模型和生成对抗网络的图像自动上色方法，包括：对现有数据集进行数据增强，以增加训练数据集的多样性，同时对数据集图像进行裁剪，使得数据集中图像的尺寸保持一致，并复制彩色图像，去掉副本图像中的颜色信息，得到成对的灰度‑彩色图像数据集；引入了预训练去噪扩散概率模型（DDPM）作为生成网络，解决传统生成对抗网络生成器预测色彩信息能力较弱，执行图像上色任务时，生成图像的颜色丰富度不足而引起的整体视觉效果不佳的问题；生成网络输入原始灰度图像，输出色彩鲜艳丰富的彩色图像，得到的生成图像与原始彩色图像一起送入判别网络来判别真伪，利用损失函数对生成网络G和判别网络D进行训练，直至判别器无法分辨生成图像的真伪时，训练结束。本发明能够在生成对抗网络中引入扩散模型的同时，进一步提升颜色预测能力，使网络能在图像上色任务中有更好的表现，得到的图像色彩更加丰富且与图像的内容结构以及细节纹理更加相配，整体视觉效果更好。
-
公开(公告)号：CN113807245A
公开(公告)日：2021-12-17
申请号：CN202111085719.6
申请日：2021-09-16
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于空间通道注意力的应用与无人驾驶场景的实时语义分割方法。无人驾驶领域的一个重要问题就是在低功耗移动电子设备上怎样运行实时高精度语义分割模型。由于现有语义分割算法参数量过多、内存占用巨大导致很难满足无人驾驶等现实应用的问题。本发明提出一种基于空间通道注意力的应用与无人驾驶场景的实时语义分割方法，用于解决现有语义分割算法参数量过多、内存占用巨大导致很难满足无人驾驶等现实应用的问题。
-
Patent Agency Ranking
公开(公告)号：CN119027365A
公开(公告)日：2024-11-26
申请号：CN202410902564.8
申请日：2024-07-07
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G16H50/20 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/096 , G06N3/0895 , G06N3/0985
Abstract: 一种基于诊断结果引导伪标签与统一数据增强的半监督宫颈异常细胞长尾重采样检测方法，本发明涉及宫颈异常细胞检测中，全景图像存在大量无标注的数据，并且异常细胞数据标注困难且异常细胞存在长尾分布，导致数据无法充分利用，异常检出率和召回率低问题。半监督学习技术通过使用少量标记数据和大量未标记数据来学习信息，在医疗图像领域有着广泛的应用。由于全景图像的实例级别的异常细胞信息与全景图像诊断结果是息息相关的，半监督检测方法往往只考虑实例级别的标签，而忽略作为全局信息的诊断结果，这些因素导致了现有深度学习半监督目标检测方法的准确率低。为改善这一问题，本发明提出一种基于诊断结果引导伪标签与统一数据增强的半监督宫颈异常细胞长尾重采样检测方法。实验表明，该方法能有效地利用病理切片诊断结果的全局信息，减少了伪标签的不确定性，缓解长尾数据分布带来的模型偏置问题，提高了无标注数据的伪标签的可靠性，提升了异常细胞检测的准确率、召回率和平均精度。
-
公开(公告)号：CN118537370A
公开(公告)日：2024-08-23
申请号：CN202410701527.0
申请日：2024-05-31
Applicant: 哈尔滨理工大学
IPC: G06T7/246 , G06V10/80 , G06V10/774 , G06V10/82
Abstract: 一种基于双分支特征融合网络的多目标跟踪方法，本发明涉及一种基于双分支特征融合网络的多目标跟踪方法，属于多目标跟踪技术领域。旨在解决联合检测与嵌入方法中目标检测和外观嵌入特征提取任务间冲突的问题，同时缓解光照和遮挡引起的身份切换问题。首先提出一种双分支特征融合网络，结合坐标注意力机制，计算每个位置的注意力权重，增强任务对关键特征信息的关注，协调检测和外观嵌入特征提取任务之间的竞争。同时采用多阶段轨迹关联策略，将目标检测结果按照置信度分层，使用不同的相似度距离计算方法进行多阶段匹配，降低不同置信度目标之间的影响。本发明能够有效提高复杂场景下多目标跟踪的准确性和稳定性。
-
公开(公告)号：CN117456232A
公开(公告)日：2024-01-26
申请号：CN202311328771.9
申请日：2023-10-15
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/40 , G06V10/80 , G06N3/048 , G06N3/045 , G06N3/0895
Abstract: 本发明公开了一种基于多尺度特征的半监督少样本图像分类方法，涉及图像分类领域。本发明的技术要点包括：方向感知双重注意力模块通过注意力机制，在通道和空间维度上学习特征贡献，提高学习效率。多尺度特征融合模块通过分组和跨组连接，融合多尺度特征，避免特征丢失。伪标签实例选择方法通过分类器损失值分布和稀疏性参数，提高伪标签质量。本发明通过整合不同表示形式提高了少样本图像分类的准确性，减少噪声、提取多尺度特征，并选择高质量伪标签，提升分类性能。本发明在少样本图像分类中取得的效果相比于传统方法更好。
-
公开(公告)号：CN117313107A
公开(公告)日：2023-12-29
申请号：CN202311328770.4
申请日：2023-10-14
Applicant: 哈尔滨理工大学
IPC: G06F21/57 , G06F21/71 , G06V10/10 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/094 , G06N3/045
Abstract: 本发明提出了一种基于生成对抗网络的可迁移对抗攻击方法。该方法在生成器中引入辅助生成器以提高生成质量和样本多样性,使用金字塔注意力机制在不同尺度关注特征。在生成器网络之前，首先通过辅助生成器网络生成辅助信息。将生成的辅助信息与原始图像进行拼接，拼接后的输入图像被输入到生成器网络中，为了进一步提升生成器网络的性能，引入金字塔注意力模块，允许网络在不同的尺度上关注图像的重要区域和特征，通过一系列神经网络层的处理和转换，生成一张高分辨率、逼真且包含扰动的图像。这样的图像在黑盒对抗攻击中具有更高的攻击成功率，并增加了对抗样本的多样性和质量。相比于现有黑盒攻击方法,该方案生成的对抗样本更加逼真有效,攻击成功率更高,且具有一定的迁移性。本发明为黑盒场景下的对抗攻击提供了一个有效的解决方法。
-
公开(公告)号：CN115619645A
公开(公告)日：2023-01-17
申请号：CN202211459751.0
申请日：2022-11-21
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于多级残差跳跃连接网络的图像超分辨率重建方法，包括：对已有数据集样本采用数据增强技术，增加训练数据的多样性，并经过上采样操作，得到原始的高分辨率图像和低分辨率图像；引入带有坐标注意力机制的多级残差跳跃连接网络（MRSCN），解决传统图像超分辨网络在深层网络提取图像特征时，丢失高频细节的问题；生成网络输入原始低分辨率图像，输出高分辨率图像，得到的高分辨率图像与原始高分辨率图像一起送入判别网络进行真伪的判别，采用感知损失函数对生成网络G和判别网络D进行训练，直至判别器无法判断重构出图像是否为真伪，训练结束。本发明能够在增加网络深度的同时，更好地表达高频特征，使网络能重建更多的有效特征，得到的高分辨率图像细节纹理更加优秀，色彩还原度更高。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.027 seconds)
