-
公开(公告)号：CN119399818A
公开(公告)日：2025-02-07
申请号：CN202411599547.8
申请日：2024-11-08
Applicant: 哈尔滨理工大学
IPC: G06V40/16 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种流形关系维系的非完备多视角人脸图像深度锚图聚类方法属于多媒体信息处理中的人脸图像数据处理领域，首先通过图神经网络对每个视角构建子空间特征，然后采用流形关系对原始特征和子空间特征进行维系，同时随机选取特定于视角的锚点和公共子空间进行结合，比较其结果和原始数据之间的相似度，通过多次对网络进行梯度下降优化，得到具有鉴别性的公共子空间锚图后进行谱聚类，最终得到聚类结果和准确率。与其他方法相比，本发明的精确度更高，性能更加稳健。
-
公开(公告)号：CN119006908A
公开(公告)日：2024-11-22
申请号：CN202411082610.0
申请日：2024-08-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种面向跨地域光谱图像地物分类的可反转双路卷积方法，属于光谱图像地物分类技术领域。本发明方法将一种独特的可反转双路卷积架构融入卷积神经网络模型中，实现了对源域与目标域数据的高效且低内存需求的深度特征提取能力。进一步地，为了缩小源域与目标域之间的特征差异，本发明构建了一种基于最大平均差异的损失函数，旨在对齐两域间的特征分布，从而增强模型对目标域数据的泛化能力。同时，针对双路径卷积神经网络，构建了预测损失函数，确保模型对源域样本保持高度的预测准确性和可靠性。通过将上述两种损失函数融合为总损失函数，并以此为指导，不断优化更新网络模型的参数。最终，当模型训练成熟后，将目标域数据送入训练好的网络模型中，以获得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，本发明方法相较于现有方法，计算效率更高，内存需求更低，同时分类性能也更有竞争力。
-
公开(公告)号：CN117877068B
公开(公告)日：2024-09-20
申请号：CN202410016648.1
申请日：2024-01-04
Applicant: 哈尔滨理工大学
IPC: G06V40/10 , G06V20/52 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明提出一种基于掩码自监督遮挡像素重建的遮挡行人重识别方法，属于多媒体信息处理中的行人重识别领域。方法包括一个基于掩膜指导的掩码自编码器微调图像补全模型与基于动态图与图卷积的遮挡行人重识别网络。首先，所述的图像补全模型通过随机对图像块进行删除通过剩余图像块生成完整图片的方式进行自监督训练，使用均方误差损失减小其生成图片与原图差异。然后，训练所述的遮挡行人重识别网络，并使用三元组损失、ID损失与中心损失共同训练以得到鲁棒且有判别力的特征。测试过程中利用图像补全模型和掩膜指导方法对有遮挡的图像进行补全，重建图像被障碍物遮挡的部分行人身体像素。然后，将补全的行人图像输入到遮挡行人重识别网络得到行人特征，并实施行人重识别。与其他方法相比，本发明显著提高了遮挡行人重识别的准确率。
-
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
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：CN116720092A
公开(公告)日：2023-09-08
申请号：CN202310687495.9
申请日：2023-06-11
Applicant: 哈尔滨理工大学
IPC: G06F18/2321 , G06F18/10 , G06F123/02
Abstract: 本发明涉及大数据的数据挖掘方法中的聚类算法，分析出租车载客数据，是结合计算机科学与实际生活领域的学科课题。载客数据分布并不均匀，使用的聚类算法有限。常规的DBSCAN聚类算法对数据量大的情况下，聚类时间消耗过长，并且参数调节困难。本发明从载客数据的时间特点入手，通过分析不同时间下的载客情况。提出一种基于载客数据的划分时间DBSCAN聚类算法，新增时间参数及时间约束参数。相对于常规的算法而言，本发明处理数据运行所消耗时间较少，性能得到优化。并且能够自由的选择具体时间下的聚类结果，聚类指标结果相比原算法均有提高。
-
Patent Agency Ranking
公开(公告)号：CN119600434A
公开(公告)日：2025-03-11
申请号：CN202411593723.7
申请日：2024-11-08
Applicant: 哈尔滨理工大学
IPC: G06V20/10 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明提出了一种面向设施环境复杂遮挡的低负荷番茄果实检测方法，属于目标检测领域。首先，利用动态卷积聚合多个自适应卷积核，以便更好地提取果实的丰富特征。此外，在颈部网络的终末阶段设计D‑KLA注意机制，通过自适应调节感受野，聚焦于番茄的不规则形变和遮挡问题。接着，构建一个基于比例因子的WIoU边界回归损失函数，提高检测边界的精度和收敛性。最后，采用基于语义频率提示的知识蒸馏方法对检测模型进行优化，实现模型轻量化。通过训练好的番茄目标检测模型对验证集进行检测，并评估其性能。与其他方法相比，本发明在复杂遮挡环境下实现了番茄果实检测的最佳性能，有效缓解了设施环境中管道遮挡、叶片遮挡以及果实间相互遮挡的问题，显著提高了检测精度，并大幅降低了模型的参数量和计算复杂度。
-
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
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：CN117877068A
公开(公告)日：2024-04-12
申请号：CN202410016648.1
申请日：2024-01-04
Applicant: 哈尔滨理工大学
IPC: G06V40/10 , G06V20/52 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明提出一种基于掩码自监督遮挡像素重建的遮挡行人重识别方法，属于多媒体信息处理中的行人重识别领域。方法包括一个基于掩膜指导的掩码自编码器微调图像补全模型与基于动态图与图卷积的遮挡行人重识别网络。首先，所述的图像补全模型通过随机对图像块进行删除通过剩余图像块生成完整图片的方式进行自监督训练，使用均方误差损失减小其生成图片与原图差异。然后，训练所述的遮挡行人重识别网络，并使用三元组损失、ID损失与中心损失共同训练以得到鲁棒且有判别力的特征。测试过程中利用图像补全模型和掩膜指导方法对有遮挡的图像进行补全，重建图像被障碍物遮挡的部分行人身体像素。然后，将补全的行人图像输入到遮挡行人重识别网络得到行人特征，并实施行人重识别。与其他方法相比，本发明显著提高了遮挡行人重识别的准确率。
-
公开(公告)号：CN117315687A
公开(公告)日：2023-12-29
申请号：CN202311502015.3
申请日：2023-11-10
Applicant: 哈尔滨理工大学
IPC: G06V30/19
Abstract: 一种面向单类别低信息量数据的图文匹配方法，属于多媒体信息处理中的图文匹配领域。本发明首先将数据集划分为训练集、测试集。然后，用高斯核函数对训练集、测试集的低信息量数据进行核化处理，将其映射到高维度核空间以提取非线性特征。然后，构造针对单类别低信息量数据图文匹配问题的目标函数和投影学习公式，用于后续学习哈希码矩阵和哈希投影矩阵。然后，利用优化算法1优化目标函数，得到哈希码矩阵B。然后，利用优化算法2优化投影学习公式，得到哈希投影矩阵H1、H2。最后，利用上述步骤得到的哈希码矩阵B和哈希投影矩阵H1、H2对测试集进行测试并计算图文匹配的平均准确率。与其他方法相比，本发明的平均准确率更高。
-
公开(公告)号：CN113011519A
公开(公告)日：2021-06-22
申请号：CN202110353411.9
申请日：2021-03-31
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明涉及大数据的数据挖掘方法中的多尺度分类挖掘方法，是典型的跨学科课题，旨在将多尺度科学与分类技术相结合，多方位对数据进行分析，得到不同层次分类模型，学习更全面的信息，本发明从空间数据估计和尺度转换角度入手，给出一种多尺度分类挖掘方法，其中基于多尺度自相似性，平滑细节信息，采用非局部均值加权滤波思想，利用Q统计实现从小尺度数据集到大尺度数据集的知识推导，尺度上推算法运用在多尺度分类挖掘中具有较高的准确度和较低的时间复杂度，在效率上优于常规的基准算法，且在性能上也有更好表现。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.026 seconds)
