-
公开(公告)号：CN103879974B
公开(公告)日：2015-09-23
申请号：CN201410155572.7
申请日：2014-04-17
Applicant: 哈尔滨工业大学
Abstract: 一种微波辅助法制备硒化铜纳米线的方法，它涉及一种制备硒化铜纳米粉体的方法。它要解决现有硒化铜纳米线的制备过程中加热速度慢、热能利用率低、合成周期长、产量低，不利于扩大生产的问题。方法：一、Cu(CH3COO)2·H2O、Na2SeO3、酒石酸钠溶于甲酰胺中，得混合溶液A；二、KOH加到甲酰胺中，得溶液B；三、溶液B加到混合溶液A中，滴加水合肼，得混合溶液C；四、微波辐射处理，得Cu2-xSe纳米线前驱体；五、经离心、洗涤、干燥后即得硒化铜纳米线。本发明不需要高温，加热速度快、合成周期短，得到的硒化铜粉体结晶度好、粒度分布窄，纯度高达99%以上，产率达90%以上，有利于大规模制备硒化铜纳米线。
-
公开(公告)号：CN118781434A
公开(公告)日：2024-10-15
申请号：CN202410997246.4
申请日：2024-07-24
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06N3/0455 , G06N3/0464 , G06V10/80
Abstract: 一种基于流式感知的在线目标检测方法，属于自动驾驶中基于计算机视觉的物体检测技术领域。本发明针对现有目标检测模型的计算量大并且不能准确检测变化环境中连续目标物体的问题。包括对当前帧图像采用目标检测模型进行检测获得当前帧检测结果；结合前一帧检测结果进行关联帧损失的计算，并调整目标检测模型的模型参数，得到训练后目标检测模型；将训练后目标检测模型用于车辆行驶过程中的在线目标检测；所述目标检测模型包括特征编码加速模块、混合查询选择模块和解码层；将前一帧检测结果通过投影模块投影到当前帧检测结果上，根据当前帧检测结果和前一帧检测结果的投影计算得到关联帧损失。本发明用于自动驾驶中在线目标检测。
-
公开(公告)号：CN118570526A
公开(公告)日：2024-08-30
申请号：CN202410639659.5
申请日：2024-05-22
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/766 , G06T9/00
Abstract: 一种基于区域感知与测试时自适应的弱监督物体检测方法，属于计算机视觉中的物体检测技术领域。本发明针对现有弱监督检测中过多的候选区域造成计算复杂度高，并且保留高分类分数候选区域易造成区域内检测物体不完整的问题。包括采用区域感知框架获得初步完整目标候选区域：基于初级候选区域与原始图像特征图获得初级候选区域空间特征图；再得到高维非线性特征，进而得到区域嵌入；结合类别嵌入获得相似度图，再确定初步完整目标候选区域；再采用弱监督检测器进行目标位置预测，获得检测目标的查询区域和键区域；查询区域与键区域再经过无监督对比学习模块的融合过程得到物体检测结果。本发明用于训练数据标注信息稀缺情况下的物体检测。
-
公开(公告)号：CN118247488A
公开(公告)日：2024-06-25
申请号：CN202410448616.9
申请日：2024-04-15
Applicant: 哈尔滨工业大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 一种基于知识蒸馏和样本重放的连续开放世界目标检测方法，它属于计算机视觉中的目标检测技术领域。本发明解决了现有对真值标签不存在的未知新类别造成误检、漏检，对之前已知类别的灾难性遗忘问题。本发明为基础模型Deformable‑DETR新引入一个类别不可知的二分类头，将全部已知类别的目标划分为T个任务，针对每个任务分别进行两阶段训练。第一阶段为预训练，二分类头将所有预测输出二分类为前景或者背景，促进模型学习无偏特征。第二阶段为训练，基于当前已知类别的数据集微调模型的投影层、分类头和二分类头的参数，冻结其他类别不可知模块的参数，并基于知识蒸馏和样本重放技术缓解模型对已知类别的灾难性遗忘问题。本发明方法可以应用于开放世界目标检测。
-
公开(公告)号：CN114415254B
公开(公告)日：2023-02-07
申请号：CN202210072417.3
申请日：2022-01-21
Applicant: 哈尔滨工业大学
Abstract: 基于在线学习的多事例弱监督火星表面形态检测方法，属于机器视觉物体检测领域。本发明针对现有弱监督物体检测方法检测精度低和收敛于局部最优解的问题。包括对火星远景图像采用选择性搜索算法生成多个侯选框；采用VGG16网络模型对火星远景图像进行图像特征的提取；进而得到每个候选框的全连接特征；弱监督检测网络中，输入候选框的全连接特征，通过分类和检测分支判断每个候选框的类别和对候选框的位置信息进行打分，最后将两分支的得分相乘得到候选框的得分作为事例级标签；K级精细化网络层以多事例学习网络或者前一级分支的每个候选框的得分作为监督信息，对网络其他优化分支进行训练，并进行后向传播计算。本发明用于火星表面地形和目标的检测。
-
Patent Agency Ranking
公开(公告)号：CN114387485A
公开(公告)日：2022-04-22
申请号：CN202210043031.X
申请日：2022-01-14
Applicant: 哈尔滨工业大学
IPC: G06V10/774 , G06V10/764 , G06V10/44 , G06V10/54 , G06V10/56 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于生成对抗网络的火星图像增广方法，属于计算机视觉中图像增广技术领域。针对现有火星图像增广方法获得的火星图像分辨率低、无法控制图像类别以及训练不稳定的问题。包括：基于DCGAN的图像生成网络，针对DCGAN难以生成优质的高分辨率火星图像的问题，使用渐进式的网络训练方法进行精细地图像生成；针对GAN无法控制目标类火星图像生成的问题，引入风格迁移技术设计了可控的火星图像生成方法；针对DCGAN训练不稳定而难以使火星车自主完成训练的问题，基于wasserstein距离设计了新的损失函数。本发明用于火星图像增广。
-
公开(公告)号：CN107341517B
公开(公告)日：2020-08-11
申请号：CN201710551916.X
申请日：2017-07-07
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及机器视觉领域中的物体检定技术，尤其涉及一种基于深度学习层级间特征融合的多尺度小物体检测方法，本发明为了解决现有物体检测在真实场景下检测精度非常低，受尺度大小约束，对于小物体的检测非常困难的缺点，而提出一种基于深度学习层级间特征融合的多尺度小物体检测方法，本发明以真实场景下的图像为研究对象，通过构建卷积神经网络提取输入图像的特征，利用候选区域生成网络产生较少的候选区域，之后将各个候选区域映射到经卷积神经网络生成的特征图上得到每个候选区域的特征，经池化层后得到固定大小、固定维度的特征输入到全连接层，全连接层后的两个分支分别输出识别类别和回归后的位置。本发明适用于机器视觉领域中的物体检定。
-
公开(公告)号：CN111062403A
公开(公告)日：2020-04-24
申请号：CN201911369737.X
申请日：2019-12-26
Applicant: 哈尔滨工业大学
Abstract: 基于一维组卷积神经网络的高光谱遥感数据深度光谱特征提取方法，属于遥感数据特征提取技术领域。为了解决现有的基于深度学习方法需要大量标记的训练样本学习模型的参数，存在针对高光谱遥感数据标记训练样本稀少的情况光谱特征提取效果差的问题。本发明所述方法利用D个一维滤波器对归一化数据进行卷积操作，在特征通道方向分成g组；每组利用多个一维滤波器进行一维卷积操作，将每组卷积结果在特征通道方向上堆栈在一起；进行全局和局部相关性并进行加权，洗牌，然后进行一维卷积操作，提取光谱特征；进而确定高光谱遥感数据深度光谱特征提取模型，训练高光谱遥感数据深度光谱特征提取模型。本发明用于高光谱遥感数据深度光谱特征的提取。
-
公开(公告)号：CN108334847A
公开(公告)日：2018-07-27
申请号：CN201810119263.2
申请日：2018-02-06
Applicant: 哈尔滨工业大学
Abstract: 本发明提供一种真实场景下的基于深度学习的人脸识别方法，是为了解决现有真实场景下的人脸识别方法只能解决单一因素影响，而不能解决姿势、光照等因素的影响而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；生成器进一步包括上采样网络以及优化网络；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。
-
公开(公告)号：CN107833213A
公开(公告)日：2018-03-23
申请号：CN201711066445.X
申请日：2017-11-02
Applicant: 哈尔滨工业大学
CPC classification number: G06T7/0002 , G06K9/6267 , G06N3/084 , G06T2207/20081
Abstract: 本发明涉及一种基于伪真值自适应法的弱监督物体检测方法，是为了解决现有的全监督物体检测器需依靠大量有标注信息的数据库，以及当图片中含多个物体且物体相互遮挡时物体位置检测不准确的缺点而提出的，包括：将图片输入到弱监督物体检测器中，将检测器输出结果进行非极大抑制处理，在处理结果中选取每种物体得分最高的边界框；根据选出的边界框的位置信息训练候选区域产生网络，并保留与得分最高的边界框重合面积大于一定值的边界框，将对应于同一个物体的候选区域的像素坐标求平均值，根据计算结果确定每个物体的唯一边界框；将边界框信息作为伪真值输入给全监督物体检测器。本发明适用于物体检测技术，尤其是真实场景中的一般物体检测技术。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.041 seconds)
