-
公开(公告)号：CN119048784A
公开(公告)日：2024-11-29
申请号：CN202411059424.5
申请日：2024-08-03
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V40/16 , G06V10/74 , G06V10/774 , G06V10/776
Abstract: 一种基于标志点与张量多维图学习的非全面多视角人脸图像聚类方法，属于多媒体信息处理中的人脸图像聚类处理领域，本发明首先提取每个视角中的存在样本，并从这些存在样本中学习视角特定标志点，以表示包括非全面样本在内的所有样本的分布。再利用直接交替采样方法选择标志点，构建视角特定的标志点图，然后对每个视角的标志点图进行正交非负矩阵分解，得到视角特定的软指示矩阵。将各视角的软指示矩阵堆叠成张量，通过最小化张量Schattenp‑范数来捕捉视角间的高阶相关性和互补信息。通过统一的二分图框架和张量低秩约束，有效处理视角间的不完全性，再将每个视角的软指示矩阵进行融合，得到最终的共识指示矩阵。利用奇异值分解和K均值聚类对其进行聚类分析，得到最终聚类结果。以此促进模型的自适应性和鲁棒性。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：CN118015694A
公开(公告)日：2024-05-10
申请号：CN202410022752.1
申请日：2024-01-06
Applicant: 哈尔滨理工大学
IPC: G06V40/20 , G06V40/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于分区感知网络的可见光‑红外跨模态行人图像检索的方法，属于行人图像检索技术领域。该方法可以减轻可见光图像和红外图像之间的模态差异,提高跨模态行人图像检索的性能。该方法首先构造了一个实例级通道注意力模块并将其嵌入双流主干网络中，在保持特征有效性的同时减小两种模态之间的差异。其次，区别于现有的水平划分方式，提出非重叠局部分割的方法对特征图进行划分，并在这些子块中集成局部空间注意力模块，以实现模态一致性表示的学习并增强对身体各部位细粒度特征的识别能力。此外，提出了一种交叉约束的三元组损失函数，旨在通过模态间及模态内的一致性和成对损失构建，进一步优化网络的模态解耦能力。与其他方法相比，精确度更高，性能更加稳健。
-
公开(公告)号：CN116776928A
公开(公告)日：2023-09-19
申请号：CN202310835960.9
申请日：2023-07-07
Applicant: 哈尔滨理工大学
IPC: G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及计算机科学、机器学习、图神经网络、以及相关的数据分析和模式识别领域，是典型的跨学科课题。本发明提出了深度学习框架时空多头注意力图卷积网络模型，它采用时间卷积层来提取时间特征，使用空间注意力以及多头注意力机制完成节点间的消息汇聚更好的提取空间的特征，得习更全面的信息，本发明从中具有较高的准确度，在效率上优于常规的基准模型，且在性能上也有更好表现。
-
公开(公告)号：CN116030407A
公开(公告)日：2023-04-28
申请号：CN202211544694.6
申请日：2022-12-04
Applicant: 哈尔滨理工大学
IPC: G06V20/52 , G06V10/762
Abstract: 发明名称一种基于非线性聚类的人群移动方法摘要本发明提出了一种新的基于人群运动的非线性聚类方法，近年来，非线性聚类越来越受到人们的关注，与现有的大多数聚类方法只关注聚类中心不同，本文中的聚类方法关注数据点本身及其邻域的数据分布，并在此基础上，设计了一些有用的规则，将原始的非线性可分数据集转化为线性可分数据集，最后设计了一个新的聚类阶段来对变换后的数据进行分区，本方法在效率上优于常规的基准算法，且在性能上也有更好表现。
-
公开(公告)号：CN113127711A
公开(公告)日：2021-07-16
申请号：CN202110344368.X
申请日：2021-03-31
Applicant: 哈尔滨理工大学
IPC: G06F16/904 , G06F16/9537 , G06K9/62
Abstract: 本发明提出一种基于稀疏轨迹数据的人群移动算法，包括，S1，提取稀疏轨迹，按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；S2，对S1的移动向量进行时空划分；S3，对S2的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；S4，对S2中的移动向量进行处理；S5，从S3中的所述移动向量聚类得到显著的全局移动流；S6，对于S5中的全局移动流进行循环展示，展示S4中得到的异常值和人群分布属性。
-
Patent Agency Ranking
公开(公告)号：CN112819105A
公开(公告)日：2021-05-18
申请号：CN202110264018.2
申请日：2021-03-09
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明提供形式化聚类结果有效性检验方法，包括：S1聚类过程的形式化；S2提取有效聚类结果性质；S3模型是否满足性质要求；S4聚类结果有效性判断；从聚类过程的角度考虑验证有效性，避开基于聚类结果自身评价自身的问题，形式化地构建聚类过程模型，验证聚类的每个步骤是否向着更内聚的趋势进行，使用不同于聚类过程中距离度量的方法，保证了结果有效性验证的客观性，扩大了验证方法的应用范围，也有利于发现可能引起非有效结果的关键步骤。
-
公开(公告)号：CN119003802A
公开(公告)日：2024-11-22
申请号：CN202411082605.X
申请日：2024-08-08
Applicant: 哈尔滨理工大学
IPC: G06F16/432 , G06F16/483 , G06F17/16 , G06F18/22
Abstract: 一种基于异构信息交互的多物场景下的图文匹配方法，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，构造针对多物数据图文匹配问题的联合哈希码矩阵学习公式。然后，利用交替更新算法1对联合哈希码矩阵学习公式进行求解，得到联合哈希码矩阵B。然后，构造针对多物数据图文匹配问题的哈希函数学习公式。然后，利用交替更新算法2对哈希函数学习公式进行求解，得到哈希函数F1、F2。最后，利用上述步骤得到的联合哈希码矩阵B和哈希函数F1、F2对测试集进行测试并计算多物场景下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：CN118015694B
公开(公告)日：2024-10-18
申请号：CN202410022752.1
申请日：2024-01-06
Applicant: 哈尔滨理工大学
IPC: G06V40/20 , G06V40/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于分区感知网络的可见光‑红外跨模态行人图像检索的方法，属于行人图像检索技术领域。该方法可以减轻可见光图像和红外图像之间的模态差异,提高跨模态行人图像检索的性能。该方法首先构造了一个实例级通道注意力模块并将其嵌入双流主干网络中，在保持特征有效性的同时减小两种模态之间的差异。其次，区别于现有的水平划分方式，提出非重叠局部分割的方法对特征图进行划分，并在这些子块中集成局部空间注意力模块，以实现模态一致性表示的学习并增强对身体各部位细粒度特征的识别能力。此外，提出了一种交叉约束的三元组损失函数，旨在通过模态间及模态内的一致性和成对损失构建，进一步优化网络的模态解耦能力。与其他方法相比，精确度更高，性能更加稳健。
-
公开(公告)号：CN117609641A
公开(公告)日：2024-02-27
申请号：CN202311638123.3
申请日：2023-12-02
Applicant: 哈尔滨理工大学
IPC: G06F16/9537 , G06F16/9535 , G06N3/0442 , G06N3/084
Abstract: 本发明涉及行人兴趣点推荐技术领域，提出一种基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法，包括步骤：获取行人非连续的用户签到轨迹，对数据集进行预处理；对数据集进行嵌入操作；采用正余弦位置编码器，获取轨迹点的正余弦位置编码，将其与轨迹点拼接在一起；采用双向长短期记忆递归神经网络，将轨迹点与正余弦位置编码拼接后得到的张量输入所述的网络中；采用概率稀疏注意力机制获得上下文向量；将所述上下文向量与所有时间步的隐藏状态拼接，获取预测兴趣点；基于预测兴趣点对所述兴趣点推荐模型进行优化。本发明提高了兴趣点推荐的准确度及运行效率。
-
公开(公告)号：CN113886667A
公开(公告)日：2022-01-04
申请号：CN202111170903.0
申请日：2021-10-06
Applicant: 哈尔滨理工大学
IPC: G06F16/906 , G06K9/62
Abstract: 本发明涉及大数据的数据聚类方法中的时空数据聚类方法，是典型的跨学科课题，旨在对空间数据聚类的前提下加入时间约束，多方位对数据进行聚类，得到更加完善的聚类结果；本发明从快速搜索密度峰值聚类算法入手，在其基础上加入时间约束，修改了样本属性的计算策略，不仅解决了原算法在单簇集上有多密度峰值的问题，还对相同位置上不同时间的簇集进行了区分；通过利用真实定位数据进行试验，相比于其他经典的时空聚类算法在准确率上有所提高。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.02 seconds)
