-
公开(公告)号：CN102081669B
公开(公告)日：2012-11-21
申请号：CN201110025762.3
申请日：2011-01-24
申请人： 哈尔滨工业大学
IPC分类号： G06F17/30
摘要： 多源遥感资源异构数据库的分级检索方法，涉及多源遥感资源的异构数据库的检索方法。本发明解决了现有技术中对传统遥感资源不能跨库检索的问题及检索速度较慢的问题。本发明的方法中，首先对分布的各个异地遥感数据中心中的数据库的统一化，并将统一化之后的所有数据存入到本地数据库，实现遥感资源异构编目数据库的统一化，为后续的检索提供基础。然后，对本地数据库中的所有数据进行分级检索；所述分级检索采用初级过滤和二次过滤两级的检索策略，实现减小计算量的目的。最后，对检索结果进行排序，把质量高的检索结果优先呈现给用户。该方法通过编目数据的统一化和空间查询的分级化实现了高效、稳健的遥感资源异构数据库的空间查询。
-
公开(公告)号：CN102176701A
公开(公告)日：2011-09-07
申请号：CN201110040672.1
申请日：2011-02-18
申请人： 哈尔滨工业大学
摘要： 一种基于主动学习的网络数据异常检测方法，它涉及基于支持向量机的检测方法。它解决了现有在网络数据的异常检测方法中支持向量机中所存在的训练样本多、复杂度高、难以有良好分类特性的问题。步骤如下：一、在未标注样本中选择C个点作为候选聚类中心，将候选未标注样本集A进行迭代优化聚类运算，选取叠代聚类结果中的代表性样本构建训练样本集B；二、支持向量机在训练样本集B上训练得到训练超平面；三、根据样本选择准则从候选未标注样本集A中选择最能提升分类性能的样本，标注类别后加入训练样本集B中；四、支持向量机在更新后的训练样本集B上重新训练；五、若检测精度达到设定值，则结束，否返回三。将该算法应用于异常检测研究中可以有效降低复杂度。
-
公开(公告)号：CN102156998A
公开(公告)日：2011-08-17
申请号：CN201110122607.3
申请日：2011-05-12
申请人： 哈尔滨工业大学
摘要： 一种高光谱图像压缩方法，本发明涉及一种图像压缩方法，具体涉及高光谱图像压缩方法。它解决了现有技术的有损压缩不能使特定区域或特定目标的图像信息免于损失的问题。用于图像压缩。其特征在于对待压缩的图像进行分级压缩处理，对感兴趣空间信息和感兴趣光谱信息无损或者近无损的压缩，对其它信息进行大于感兴趣空间信息和感兴趣光谱信息所选压缩比的压缩。
-
公开(公告)号：CN115601689A
公开(公告)日：2023-01-13
申请号：CN202211296951.9
申请日：2022-10-21
申请人： 哈尔滨工业大学(CN)
摘要： 本发明提出一种SAR图像目标识别方法,包括：获取SAR图像训练集，通过对SAR图像训练集进行映射变换，获取映射后的数据集；将映射后的数据集输入到预训练好的VGG模型中进行微调，将每个样本所代表目标类别的特征映射到特征空间中作为质心，通过比较样本特征与已有类别到质心的距离，得到SAR图像的置信度分数，获取SAR图像目标识别模型；获取SAR图像测试集，通过SAR图像目标识别模型对SAR图像测试集中的样本进行特征提取，获取样本特征，得到测试样本的类别及置信度分数。本发明提出了一种高准确性和强确定性的基于深度学习的SAR图像目标识别方法，并利用一种新的评价指标‑预期校准误差衡量预测的不确定性，为每一个预测的SAR图像中的目标提供了置信度分数，提升了模型的实际应用效果。
-
公开(公告)号：CN111783796A
公开(公告)日：2020-10-16
申请号：CN202010568493.4
申请日：2020-06-19
申请人： 哈尔滨工业大学
摘要： 一种基于深度特征融合的PET/CT影像识别系统，涉及图像处理技术领域，针对现有技术中PET/CT影像识别精度低的问题，所述系统执行以下步骤：一、获取PET/CT影像原始数据，并对PET/CT影像原始数据进行读取及预处理；二、对PET/CT影像进行样本划分，然后利用卷积神经网络分别对划分后的样本进行深度特征提取；三、将提取的特征分别进行PCA处理，并分别进行归一化，之后将处理后的PET影像特征与CT影像特征进行特征融合；四、利用融合后的特征训练识别网络；五、使用训练好的识别网络对待识别样本进行识别，提取出可分性较好的影像学特征。
-
公开(公告)号：CN108681706A
公开(公告)日：2018-10-19
申请号：CN201810463076.6
申请日：2018-05-15
申请人： 哈尔滨工业大学
CPC分类号： G06K9/0063 , G06K9/46 , G06K9/6256 , G06K9/6261
摘要： 一种双源遥感数据语义分割方法，本发明涉及双源遥感数据语义分割方法。本发明为了解决现有单源数据分割方法效率低以及多源分割方法精度低的问题。本发明将全卷积的网络模型应用到双源遥感数据的处理中，并采用迁移学习的方法，使用ImageNet数据集对设计的网络结构进行预训练。将高分辨率遥感数据和LiDAR DSM数据通过卷积神经网络，进行高层次和特征提取和融合，利用融合之后的特征信息进行语义分割。本方法充分利用到了高分辨遥感数据丰富的地物信息和LiDAR DSM数据精准的距离信息，提高了遥感数据语义分割的精度，总体分割精度较单一的高分辨遥感数据相比提高了5％，可达到90％。本发明用于遥感图像处理领域。
-
公开(公告)号：CN104700100A
公开(公告)日：2015-06-10
申请号：CN201510152162.1
申请日：2015-04-01
申请人： 哈尔滨工业大学
摘要： 面向高空间分辨率遥感大数据的特征提取方法，属于遥感图像特征提取技术领域。本发明是为了解决现有对高空间分辨率遥感图像的特征进行提取获取的为底层特征，不能准确表达地物本质的问题。它首先采集遥感图像，并对遥感图像进行预处理，获得输入数据；将输入数据分割成连续且不重叠的31×31或者51×51像素的子图数据；将子图数据依次输入给卷积深度玻尔兹曼机输入层的相应节点，获得子图数据的低级语义特征；将子图数据的低级语义特征作为卷积深度玻尔兹曼机高级语义层的输入，获得子图数据的本质特征数据；再进一步获得规范化的上下文信息；最后由Logistic分类器输出所述输入数据的特征提取结果。本发明用于遥感大数据的特征提取。
-
公开(公告)号：CN104268579A
公开(公告)日：2015-01-07
申请号：CN201410541909.8
申请日：2014-10-14
申请人： 哈尔滨工业大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6267 , G06K9/6256
摘要： 基于分层集成学习的高光谱遥感图像分类方法，属于高光谱遥感图像分类技术领域。本发明是为了解决高光谱遥感图像数据的分类精度低的问题。它主要是使用两层的集成结构对高光谱图像进行分类，分别是内层结构和外层结构；内层结构是通过随机波段选择构成存在差异的光谱集合；之后以光谱集合为单位，分别使用Adaboost的集成方法来训练，再对测试样本进行分类；外层结构是将内层集成中各个光谱集合的分类结果进行整合，采用权重投票的方法确定样本的最终类别；最后是将整幅图像作为测试样本，实现全图分类从而得到分类主题图。本发明用于对高光谱遥感图像分类。
-
公开(公告)号：CN104102929A
公开(公告)日：2014-10-15
申请号：CN201410359935.9
申请日：2014-07-25
申请人： 哈尔滨工业大学
IPC分类号： G06K9/66
摘要： 基于深度学习的高光谱遥感数据分类方法，属于高光谱数据分类技术领域。本发明是为了解决现有对蕴含非线性特征的高光谱数据进行分类的方法存在分类精度低的问题。它首先对高光谱原始数据进行处理获得高光谱原始数据的光谱特征向量和空间特征信息；再对所述光谱特征向量和空间特征信息进行整合；由高光谱整合数据确定标记样本，并由标记样本中选择训练样本和测试样本；使用训练样本对构成深层网络的多层限制玻尔兹曼机进行预训练；使用训练样本对多层限制玻尔兹曼机构成的网络进行有监督学习；将测试样本输入微调后的多层限制玻尔兹曼机构成的网络，实现高光谱遥感数据的分类。本发明用于高光谱遥感数据的分类。
-
公开(公告)号：CN103136736A
公开(公告)日：2013-06-05
申请号：CN201310087912.2
申请日：2013-03-19
申请人： 哈尔滨工业大学
IPC分类号： G06T5/00
摘要： 一种高光谱遥感数据非线性降维方法，本发明涉及到高光谱遥感数据的降维方法。本发明是要解决现有的高光谱数据线性降维方法对非线性特征保留较少的技术问题，本方法：先将高光谱遥感数据进行坏带去除、低通滤波后组织成N行D列的二维矩阵，再将高光谱数据的像素向量映射到高维的特征空间中，重构流形，再找到流形的原点，构建局部黎曼法坐标，再计算最短路径，再运用黎曼流形学习算法将所有数据点映射到原点的切空间中，映射完后的数据集构成的点组织成N行k列二维矩阵，完成高光谱遥感数据非线性降维。本发明的方法用于处理高光谱遥感数据。
-
-
-
-
-
-
-
-
-
搜索结果
38 条记录 (耗时 0.029 秒)
