-
公开(公告)号：CN102494638B
公开(公告)日：2014-06-11
申请号：CN201110431404.2
申请日：2011-12-21
Applicant: 哈尔滨理工大学
IPC: G01B11/25
Abstract: 本发明提出了一种三个编码周期的三基色三角形相移三维信息获取方法，本发明方法通过选择三个基色空间中不同的编码周期，在保留相位编码方法对投影角连续划分的优点同时，对相位编码法的测量范围拓展了第三个编码周期倍。本发明是一种提高相移编码结构光测量范围，减小测量误差，提高测量精度，克服被测物表面反射率不一致和环境光对测量影响的基于三个编码周期三基色三角形相移采样点三维信息获取技术。
-
公开(公告)号：CN102519396A
公开(公告)日：2012-06-27
申请号：CN201110431096.3
申请日：2011-12-21
Applicant: 哈尔滨理工大学
IPC: G01B11/25
Abstract: 本发明提供了一种三个灰度对称线性编码周期的采样点三维信息获取方法，步骤为:选择编码周期，制备9幅由3个编码周期不同的灰度线性对称相移光栅；将光栅投射到被测物体表面，利用条纹图像获取装置，获得9幅条纹图像；计算得到采样点在此编码周期内对应于编码图案的相对编码点，得到采样点在该频率内的余数方程，联立余数方程，得到采样点在3个不同编码周期内的同余方程组，采用大衍求一术确定同余方程组的乘率，进而得到方程组的解；确定采样点的投影角，根据三角原理确定采样点的三维信息。本发明方法克服了传统双频相移三维测量中，误差大，测量范围受限，误差累计及传递的缺点。该方法是一种具有非接触，高采样密度，高精度的三维测量技术。
-
公开(公告)号：CN115512708B
公开(公告)日：2024-05-07
申请号：CN202211218439.2
申请日：2022-10-05
Applicant: 哈尔滨理工大学
IPC: G10L17/04 , G10L17/06 , G06F18/28 , G06F18/214 , G06F18/24
Abstract: 本发明公开了一种基于区分性字典与分类器联合学习的说话人识别方法，该方法在训练数据中增加分类器参数和正则化参数，提高了传统说话人识别系统的正确率，是在传统字典学习基础上的创新。本发明在训练阶段，首先对语音提取i‑vector，将其和One‑Hot拼接后作为稀疏分解的输入；然后初始化字典和分类器参数，获取i‑vector在字典上的稀疏表示；最后利用K均值‑奇异值分解(KSVD)算法更新字典。在识别阶段，首先利用字典与其二范数的商作为识别阶段的字典，同理得到分类器参数；然后计算测试语音在字典上的稀疏表示，分类器参数和稀疏表示的积是说话人在不同字典上的得分；最后判断得分最高说话人是否是测试说话人。本发明可以应用于说话人识别领域。
-
公开(公告)号：CN115910073A
公开(公告)日：2023-04-04
申请号：CN202211186472.1
申请日：2022-09-27
Applicant: 哈尔滨理工大学
IPC: G10L17/18 , G10L17/02 , G10L17/04 , G10L17/22 , G06N3/044 , G06N3/045 , G06N3/048 , G06N3/08 , G06N3/084
Abstract: 本发明提出了一种基于双向注意力残差网络的语音欺诈检测方法，能够有效提升欺诈语音检测系统的识别性能，防止欺诈语音通过自动说话人验证系统(ASV)。在训练过程中，本发明首先对语音进行预处理，并提取常数Q变换(CQT)特征矩阵，将其作为残差网络(ResNet)的输入，利用ResNet提取浅层特征，然后将此特征输入双向注意力网络，以区分特征中不同维度的重要程度，从而得到区分性更强的特征表示。在测试阶段，利用训练好的网络模型作为真实语音与欺诈语音的分类器，对语音进行打分，根据打分结果对真实语音与欺诈语音进行分类。实验结果表明，本发明方法能够明显提升欺诈检测系统的性能，保护ASV系统免受不法用户的侵害。本发明可应用在语音处理和生物识别领域。
-
公开(公告)号：CN111310807B
公开(公告)日：2022-08-19
申请号：CN202010077309.6
申请日：2020-01-27
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/77 , G06K9/62
Abstract: 一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，将原始数据及其异质特征整合到一个公共集合中，形成多模态样本集合；然后，在集合上对每一个模态下的样本数据都学习一对垂直和水平投影矩阵，并且可以捕获所有模态下的异质特征之间的互补信息；此外，为了揭示隐藏在多模态视觉数据中的内在子空间结构，设计了一个基于阈值岭回归的自表示模型，进而将学习到的表示矩阵用于构建有效的亲和矩阵；同时，通过联合学习特征子空间和表示矩阵，二者性能可以互相促进；为了确保模型在实际应用中的性能，设计了基于图的表示矩阵约束项来捕获数据的非线性结构信息，这有助于保持复杂样本的邻居关系。
-
Patent Agency Ranking
公开(公告)号：CN114639372A
公开(公告)日：2022-06-17
申请号：CN202210221484.7
申请日：2022-03-07
Applicant: 哈尔滨理工大学
IPC: G10L15/00 , G10L15/02 , G10L15/06 , G10L21/0216 , G10L25/18 , G10L25/24 , G10L25/27 , G10L25/45
Abstract: 本发明公开了一种基于调整余弦互信息估计的语种识别方法，解决了在复杂的声音环境下以分类损失为目标函数提取到的embedding(嵌入特征)区分能力不强的问题。在训练阶段，先将训练集的声学特征做预处理，输入TDNN‑F网络；然后将网络中输出的embeddings根据半困难负样本挖掘策略，选择出正负样本对进行基于调整余弦相似度的互信息估计，并以此作为目标函数进行网络训练。在识别阶段，先将注册集和测试集的声学特征输入训练好的TDNN‑F网络得到对应的embeddings；然后将注册集与测试集的embeddings进行线性判别分析、减平均、零相位成分分析白化以及向量长度归一化；最后使用逻辑回归(LR)分类器进行评分。该方法能够有效利用正负样本对语言嵌入特征之间的互信息，以此优化网络训练并降低系统的错误率。本发明可以应用于语种识别领域。
-
公开(公告)号：CN112381794B
公开(公告)日：2022-05-31
申请号：CN202011276148.X
申请日：2020-11-16
Applicant: 哈尔滨理工大学
Abstract: 一种基于深度卷积生成网络的印刷缺陷检测方法，本发明涉及缺陷检测技术中，印刷品微小缺陷准确检测的问题。近年来，深度学习被广泛用于缺陷检测。虽然目前的方法在简单背景下的缺陷检测任务上取得了进展，但对于细微缺陷还是无法准确检测。针对这一问题，本发明提出了一种基于深度卷积生成网络的印刷缺陷检测方法。首先，加入上采样模块，减少上采样中的损失。其次，提出一种自注意力机制，从而使得网络可以生成结构性更为复杂和细节更为准确的图像。最后，拟合生成器生成图像的噪声分布，去除噪声，获得缺陷图像。在保证准确率的基础上，提高了检测精度。本发明应用于无监督的印刷微小缺陷检测。
-
公开(公告)号：CN113409416A
公开(公告)日：2021-09-17
申请号：CN202110696094.0
申请日：2021-06-23
Applicant: 哈尔滨理工大学
Abstract: 本发明提出了一种基于最小二乘靶向修正的电容层析图像重建方法，包括：采用归一化的数据，带入最小二乘估计求出迭代初值；步骤二、用迭代初值带入公式求出系数矩阵的初始误差阵；步骤三、用初始误差阵求出修正的系数矩阵初值；步骤四、针对修正的系数矩阵求出其对应的法矩阵，并构建靶向矩阵初值；步骤五、采用L‑曲线法，根据靶向矩阵求出其对应的正则化参数；步骤六、加入随机噪声，模拟真实实验环境；步骤七、参数带入迭代公式进行迭代运算，根据条件得到迭代结束后的实验目标估值。本发明可以有效降低复杂噪声环境对电容层析图像重建结果精度的影响。
-
公开(公告)号：CN112614204A
公开(公告)日：2021-04-06
申请号：CN202011592657.3
申请日：2020-12-29
Applicant: 哈尔滨理工大学
IPC: G06T11/00
Abstract: 本发明提出了一种基于改进最小二乘的电容层析图像重建方法，包括：采用归一化的数据，带入最小二乘估计求出迭代初值；步骤二、用迭代初值带入公式求出系数矩阵的初始误差阵；步骤三、用初始误差阵求出修正的系数矩阵初值；步骤四、针对修正的系数矩阵求出其对应的法矩阵，并构建靶向矩阵初值；步骤五、采用L‑曲线法，根据靶向矩阵求出其对应的正则化参数；步骤六、加入随机噪声，模拟真实实验环境；步骤七、参数带入迭代公式进行迭代运算，根据条件得到迭代结束后的实验目标估值。本发明可以有效降低复杂噪声环境对电容层析图像重建结果精度的影响。
-
公开(公告)号：CN111461256A
公开(公告)日：2020-07-28
申请号：CN202010334192.5
申请日：2020-04-24
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 一种基于低秩表示的判别特征子空间学习方法，通过使用低秩约束来构造用于特征学习的判别性表示项，将非负低秩表示系数作为衡量子空间结构相似性的约束引入到用于分类的学习模型中，促进模型自适应性和鲁棒性；此外，通过将特征子空间学习模型和低秩表示模型放入统一的框架中，可以在迭代期间彼此促进以获得整体最优；还包含基于类别标签信息的线性回归项以增强投影的特征，并且使相同类别的样本靠近同一聚类中心，不同类别的聚类中心相互远离，采用迭代数值方案来解决目标函数并保证收敛；同时，引入岭回归约束项，解决实际应用中无法预先知道噪声类型的问题；本发明与其他方法相比，识别率更高，性能更加稳健。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.02 seconds)
