-
公开(公告)号：CN105740867A
公开(公告)日：2016-07-06
申请号：CN201610052476.9
申请日：2016-01-26
Applicant: 哈尔滨理工大学
Abstract: 图像纹理窗口形状与尺度的选择方法，属于图像处理领域。为了解决采用固定纹理窗口提取纹理特征时存在边缘定位误差和纹理描述的冗余问题。所述选择方法包括：将待处理图像分成多个图像分块，对每个图像分块进行纹理窗口形状与尺度的选择，包括：对每个图像分块，建立图像生成的混合概率模型，每个纹理窗口对应混合概率模型的一个混合分量；采用期望最大化算法，求取混合概率模型参数的极大似然估计值，确定每个像素针对不同混合分量的后验概率；根据确定的每个像素针对不同混合分量的后验概率，按照最大后验概率对像素进行分类，每个类别形成一个纹理窗口，即：获得纹理窗口的形状与尺度。本发明应用于图像纹理的提取与描述领域。
-
公开(公告)号：CN105139855A
公开(公告)日：2015-12-09
申请号：CN201410231798.0
申请日：2014-05-29
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种两阶段稀疏分解的说话人识别方法，包括：S1：对输入的语音的离散时间信号进行分帧与加窗处理；S2：对每一帧信号作离散傅立叶变换并求幅度值，把幅度谱作为特征进行提取；S3：构建一个大字典；S4：进行第一阶段稀疏分解来获得待识别语音在大字典上的稀疏表示，并对输入语音作粗分类获得部分目标说话人的字典；S5：对部分目标说话人字典进行拼接，进行第二阶段稀疏分解，利用稀疏表示确认最终识别说话人。本发明可以对不同的说话人进行识别，具有识别说话人身份的高效性、准确性与易用性的有益效果。本发明还公开了一种两阶段稀疏分解的说话人识别装置。
-
公开(公告)号：CN103973666A
公开(公告)日：2014-08-06
申请号：CN201310351135.8
申请日：2013-08-13
Applicant: 哈尔滨理工大学
Abstract: 本发明提供了一种垃圾邮件僵尸主机检测方法及装置，涉及计算机网络安全领域。该方法包含训练阶段和检测阶段：S1、通过序贯概率比的方法估计正常主机和垃圾邮件僵尸主机的高斯模型参数，分别建立高斯模型，并计算高斯模型的门限值；S2、通过垃圾邮件分类器对待检测主机发出的邮件进行检测，得到检测分数；S3、将所述检测分数进行归一化处理，将检测分数调整在[0,1]区间内；S4、基于调整后的检测分数，通过步骤S1中建立的高斯模型计算垃圾邮件僵尸主机的统计量，并将统计量与所述门限值做比较，判决待检测主机是否为垃圾邮件僵尸主机。本发明通过检测发送垃圾邮件的僵尸主机，能够切断垃圾邮件发送的源头，从根本上减少垃圾邮件的发送。
-
公开(公告)号：CN103973427A
公开(公告)日：2014-08-06
申请号：CN201310379191.2
申请日：2013-08-27
Applicant: 哈尔滨理工大学
IPC: H04L9/00
Abstract: 本发明提供一种基于虚拟计算和数据优化的混沌并行数据的加密方法，包括：S1、建立混沌方程，对数据进行划分，得到划分后的数据集，并确定虚拟计算核心集合；S2、判断所述数据集与所述虚拟计算核心集合的差值，根据所述差值与零的大小，确定执行态虚拟计算核心集合，并建立数据集与执行态虚拟计算核心的静态映射关系；S3、根据并行系统中物理计算核心集合建立执行态物理计算核心集合，并建立所述执行态虚拟计算核心集合到所述执行态物理计算核心集合的静态映射关系，执行态虚拟计算核心获取所述混沌方程的密钥并执行数据加密。本发明实施例中提出的加密方法能够根据实际需要充分利用物理计算核心，即充分利用并行系统的计算资源。
-
公开(公告)号：CN103731738A
公开(公告)日：2014-04-16
申请号：CN201410032276.8
申请日：2014-01-23
Applicant: 哈尔滨理工大学
IPC: H04N21/466 , H04N21/462 , G06F17/30
Abstract: 基于用户群组行为分析的视频推荐方法及装置，涉及一种视频推荐方法及装置。为了解决为了解决传统视频推荐方法对视频数据和用户数据的处理方式，不利于数据分析，也不适用于动态变化情况的问题。它对用户行为进行采集分析，将视频数据和观看所述视频的客户数据转化为行为操作数据，并通过日志数据对用户进行第一次分组；将用户行为日志数据进行分析并取得用户频繁项的关联规则，获得用户在最近行为中的规则习惯并实现动态更新；对每个群组内的用户互相进行相似度计算，并进行第二次分组，找出用户间更加相似的群组，将每个用户选择的视频做协同过滤后推荐给同群组内的其他用户。它用于为用户推荐个性化视频。
-
Patent Agency Ranking
公开(公告)号：CN116758450A
公开(公告)日：2023-09-15
申请号：CN202310547607.0
申请日：2023-05-15
Applicant: 哈尔滨理工大学
IPC: G06V20/40 , G06V10/82 , G06V10/74 , G06F16/332 , G06F18/22 , G06F18/213 , G06N3/0464 , G06N3/042 , G06N3/048 , G06N3/0442 , G06N3/08
Abstract: 本发明提出一种基于时空图和相似图的协同注意力推理的视频问答方法，属于视频问答技术领域。包括：提取输入视频的帧级全局特征和目标级局部特征。提取输入问题语句的特征并对其进行编码，获取问题语句的上下文信息。根据提取的局部特征，构建目标之间的相似图和时空图，获得目标时间的相似关系和时空关系，并进行关系推理。依据视觉特征和问题特征，得到具有问题导向和具有视频导向的特征信息，并同时建立长期依赖。依据提取的答案特征，进行预测答案。解决了现有技术无法同时关注到视觉和文本内容的内在联系的问题，根据文本信息在视频内容中建立长距离语义依赖，并且能准确建模视频中对象之间产生的交互关系，有效提高视频问答预测的准确性。
-
公开(公告)号：CN115470932A
公开(公告)日：2022-12-13
申请号：CN202211082292.9
申请日：2022-09-06
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种联邦学习方法，尤其涉及一种基于强化学习的联邦学习客户端智能选取方法，属于大规模分布式边缘智能学习系统的性能优化技术领域。解决了联邦学习领域中非独立同分布数据给训练模型带来的收敛速度慢、训练准确率下降的问题。本申请在不借助任何辅助数据集，并保证客户端本地数据对服务器端不可见的隐私前提要求下，设计了一种基于数据向量的方案来揭示参与训练的联邦客户端的本地数据分布情况；在此基础上，设计一种面向平衡类分布的客户端选择算法；并基于强化学习的模型平衡每一轮联邦选择的探索与开发，从而提高联邦学习全局模型的收敛性能。
-
公开(公告)号：CN113609355B
公开(公告)日：2022-06-03
申请号：CN202110908494.3
申请日：2021-08-09
Applicant: 哈尔滨理工大学
IPC: G06F16/9032 , G06F16/732 , G06F16/783 , G06V10/80 , G06V10/74 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明提出一种基于动态注意力与图网络推理的视频问答系统、方法、计算机及存储介质，属于计算机视觉和自然语言处理交叉领域。首先，计算物体空间特征和物体类别特征；其次，提取子视频的视觉运动特征；再其次，将物体空间、物体类别特征和视觉运动特征进行特征融合得到物体联合特征；再其次，对问题进行编码，获得问题特征，再其次，将物体联合特征和问题特征输入注意力模型中得到具有问题意识的联合特征；再其次，获得具有问题意识的物体关系特征；再其次，获得具有时序关系的视频特征；最后，得到融合特征生成答案。本发明解决了现有的视频问答系统不能有效地表示不同模态、同模态之间的关联程度和不能有针对性获取不同物体运动信息的问题。
-
公开(公告)号：CN113592008B
公开(公告)日：2022-05-31
申请号：CN202110896070.X
申请日：2021-08-05
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种基于自编码器的图神经网络机制解决小样本图像分类的系统、方法、设备及存储介质，属于计算机视觉技术领域。解决了现有技术中无法同时利用样本类内与类间分布情况的不足。本申请1)针对于基类数据集，依据重构损失最小化准则，训练一个自编码器，学习类内样本间的差异信息。2)将支持集的样本输入到自编码器中，为支持集生成更多的重构样本。3)将支持集的样本、重构样本和查询集样本一起训练出图神经网络，用来对查询集样本节点进行边标签的预测，进而预测节点所属的类别。本申请提高了小样本情况下模型的性能和泛化能力。
-
公开(公告)号：CN113592007A
公开(公告)日：2021-11-02
申请号：CN202110896069.7
申请日：2021-08-05
Applicant: 哈尔滨理工大学
Abstract: 一种基于知识蒸馏的不良图片识别系统、方法、计算机及存储介质，属于图片检测技术领域。本发明包括首先利用图片数据增强方式对训练数据集进行数据增强，然后利用数据增强后的图片数据集训练基于图片全局特征进行识别的教师神经网络T1，利用数据增强后的图片数据集训练基于图片语义特征进行识别的教师神经网络T2，然后利用教师神经网络T1、T2，结合类别预测损失函数，特征注意力蒸馏损失函数，语义蒸馏损失函数训练学生神经网络，最后将待预测的图片输入到已训练完毕的学生神经网络中进行不良图片识别。本发明在不良图片识别问题中相比于传统方法准确率更高，识别速度更快。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.023 seconds)
