公开(公告)号：CN116935121A

公开(公告)日：2023-10-24

申请号：CN202310899005.1

申请日：2023-07-20

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  吴起慧 ,  孙悦恭 ,  于露 ,  许浩越 ,  谢委衡 ,  邵春锐 ,  冯聪 ,  王泽宁

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V20/10

Abstract: 本发明公开了一种面向跨地域光谱图像地物分类的双驱动特征学习方法，属于光谱图像地物分类技术领域，该方法构建基于统计分布驱动的域特征对齐项和基于模型驱动的域特征对齐项，共同驱动源域和目标域数据的投影特征子空间相互对齐，不仅优化了高光谱跨地域对齐能力，还提高了模型鲁棒性；构建了判别信息约束项，提高了投影特征子空间的领域判别性。最后采用交替方向乘子算法，通过交替优化策略求解目标函数，分别得到源域和目标域的两个对齐子空间；利用源域数据集在其子空间中的投影特征及类别标签训练分类器；将目标域数据在其子空间中投影特征送入训练好的分类器，以获得所述目标域数据集的分类标签。在公开跨地域光谱数据集上的实施结果表明，与现有方法相比，该方法分类精度更高，性能更加稳健。

公开(公告)号：CN116758349A

公开(公告)日：2023-09-15

申请号：CN202310715371.7

申请日：2023-06-15

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  孙悦恭 ,  王泽宁 ,  程媛

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明公开了一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，属于图像分类技术领域，该方法构建了多尺度超像素模块，利用节点聚合操作，在多个尺度上构建不同的图，不仅可以减轻大图带来的计算负担，而且可以从不同角度描述类别边缘区域，提高边缘分类的准确性；构建了端到端的图卷积残差网络模块，能够更深入地挖掘了数据的潜在特征；设计了一个minibatch方案的图卷积残差网络以进一步考虑计算成本，并且加快网络收敛。基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，根据不同尺度的超像素信息，探讨了不同区域的特征结构，增强了模型空谱特征的提取，与其他方法相比，精确度更高，性能更加稳健。

公开(公告)号：CN116935121B

公开(公告)日：2024-04-19

申请号：CN202310899005.1

申请日：2023-07-20

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  吴起慧 ,  孙悦恭 ,  于露 ,  许浩越 ,  谢委衡 ,  邵春锐 ,  冯聪 ,  王泽宁

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V20/10

Abstract: 本发明公开了一种面向跨地域光谱图像地物分类的双驱动特征学习方法，属于光谱图像地物分类技术领域，该方法构建基于统计分布驱动的域特征对齐项和基于模型驱动的域特征对齐项，共同驱动源域和目标域数据的投影特征子空间相互对齐，不仅优化了高光谱跨地域对齐能力，还提高了模型鲁棒性；构建了判别信息约束项，提高了投影特征子空间的领域判别性。最后采用交替方向乘子算法，通过交替优化策略求解目标函数，分别得到源域和目标域的两个对齐子空间；利用源域数据集在其子空间中的投影特征及类别标签训练分类器；将目标域数据在其子空间中投影特征送入训练好的分类器，以获得所述目标域数据集的分类标签。在公开跨地域光谱数据集上的实施结果表明，与现有方法相比，该方法分类精度更高，性能更加稳健。

公开(公告)号：CN116932806A

公开(公告)日：2023-10-24

申请号：CN202310754589.3

申请日：2023-06-25

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  王泽宁 ,  孙悦恭 ,  程媛

IPC: G06F16/583 ,  G06F16/33 ,  G06V10/82 ,  G06V10/74 ,  G06F18/22 ,  G06N5/025 ,  G06N3/084 ,  G06N3/088

Abstract: 一种基于特征关联表示的图文检索方法，属于跨模态检索技术领域，该方法是利用图像和文本特征构造特征关联矩阵。然后，利用神经网络学习生成哈希函数。最后，联合设计的损失函数帮助学习生成哈希码，以此来促进模型的自适应性，与其他方法相比，精确度更高，性能更加稳健。

公开(公告)号：CN114973370A

公开(公告)日：2022-08-30

申请号：CN202210595130.9

申请日：2022-05-29

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  王卓 ,  牛宇童 ,  冯聪 ,  王泽宁

IPC: G06V40/16 ,  G06V10/762 ,  G06F17/16

Abstract: 本发明的实施方式提供了一种不完整特征描述的人脸图像聚类方法，属于多视角谱聚类技术领域。该方法包括：将人脸图像的不完整描述特征在核空间实施多视角补全，在局部视角之间相互补全的基础上，考虑联合鲁棒表示特征的生成进行优化；通过在核空间学习人脸图像的鲁棒表示特征，并利用其学习完整的子空间表示；通过引入定制的剪裁张量低秩约束来进行多视角融合，从全局角度学习不同视图子空间表示的张量低秩结构，在捕获视角高阶相关性的同时保持其各异性专属信息。本发明的上述技术克服了现有技术的不足，有效提高人脸图像聚类的准确度。