公开(公告)号：CN117953259A

公开(公告)日：2024-04-30

申请号：CN202311282162.4

申请日：2023-10-07

Applicant: 哈尔滨理工大学

Inventor： 吴海滨 ,  戴诗语 ,  王爱丽 ,  刘城洋 ,  徐恺阳 ,  左云逸

IPC: G06V10/764 ,  G06N3/0464 ,  G06N3/045 ,  G06V10/774 ,  G06V10/776 ,  G06V10/82 ,  G06V10/40 ,  G06V20/10

Abstract: 本发明基于双支路CNN‑Transformer的高光谱与LiDAR协同的农作物精准分类方法属于图像分类技术领域；该方法依次执行以下步骤：输入待分类的高光谱图像和激光雷达数据；对HSI和LiDAR数据进行patch提取，形成各自的训练、验证和测试样本集；将HSI、LiDAR的patch数据输入由卷积神经网络构成的UniFeat Block共有特征提取模块，获得共性特征；将HSI和LiDAR的共性特征对齐后，输入改进的Transformer编码器，得到HSI、LiDAR的特征表示；将HSI、LiDAR的特征表示，输入基于集成对比学习的HSI‑LiDAR联合分类器进行训练，得到协同分类结果；本发明利用CNN强大的特征提取能力与Transformer的长程依赖建模能力，通过异构传感数据的多模态特征对齐与融合，实现更优异的协同分类效果。

公开(公告)号：CN117274774A

公开(公告)日：2023-12-22

申请号：CN202311221677.3

申请日：2023-09-20

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  张恩炎 ,  冯彦翔 ,  吴卿 ,  吴海滨

IPC: G06V10/82 ,  G06V10/774 ,  G06V10/776 ,  G06V10/762 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明属于目标检测技术领域，具体涉及一种基于YOLOv7的X射线安检图像危险品检测算法；该方法依次执行以下步骤：获取X射线安检图像数据集并按比例随机划分；利用K‑means++算法设置数据集的先验框；搭建改进的YOLOv7‑MPCN网络模型，包括：在YOLOv7网络中结合CA(Coordinate Attention，CA)坐标注意力机制；借鉴残差网络，在MPConv中加入跳跃连接；利用BiFPN(Bidirectional Feature Pyramid Network)作为下采样模块的特征融合结构；最后采用SIoU(SCYLIA Intersection over Union)改进损失函数加快收敛速度。利用训练集对改进的YOLOv7模型进行训练得到X射线安检图像检测模型；利用测试集对训练好的模型进行测试得到检测结果。本发明通过使用改进的YOLOv7算法检测X射线安检图像，能够在各大交通枢纽的安检平台危险品检测过程中精确定位识别出危险品，提高安检效率。

公开(公告)号：CN115393719A

公开(公告)日：2022-11-25

申请号：CN202211047569.4

申请日：2022-08-29

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  丁姗姗 ,  赵妍 ,  刘和 ,  刘城洋

IPC: G06V20/10 ,  G06V20/17 ,  G06V10/764 ,  G06V10/774 ,  G06V10/762 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种结合空谱域自适应与集成学习的高光谱图像分类方法，属于图像分类技术领域。该方法依次执行输入源域中有标记数据、目标域中无标记数据和少量有标记数据，通过空谱注意力模型对源域和目标域进行特征提取，其中空谱注意力模型引入了大核注意力(LKA)，可以利用图像的局部结构信息、捕获长距离依赖并且具有空间维度和光谱维度的适应性；然后将特征提取后的数据输入鉴别器并对源域数据聚类以形成聚类中心，再将目标域数据向各类聚类中心迭代映射；最后通过XGBoost进行分类来缓解模型计算速度慢和单分类器可信度低的问题，有效地提升了高光谱图像地物分类的准确度，为跨场景高光谱图像分类的后续研究以及相关应用提供新的参考思路。

公开(公告)号：CN114898217A

公开(公告)日：2022-08-12

申请号：CN202210677414.2

申请日：2022-06-15

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  宋璎珞 ,  丁姗姗

IPC: G06V20/10 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于神经架构搜索的高光谱图像分类方法，属于图像分类技术领域，该方法依次执行以下步骤：输入高光谱图像(HSI)，利用滑动窗口裁剪为32×32像素的样本并划分训练样本、验证样本和测试样本；利用6种预设操作构建神经架构搜索(NAS)的空间，将训练样本输入该空间；利用梯度算法的搜索策略搜索出候选网络结构，搜索过程中利用β‑衰减对体系结构参数进行正则化；使用置信学习率进行结构梯度权重更新；将搜索到的预设操作组成基础单元，并连接构成最优神经网络架构；利用最优神经网络架构对HSI进行分类，获取分类结果。本发明是基于神经网络搜索的高光谱图像分类方法，在包含6种预设操作构建的搜索空间中进行最优架构的搜索，并利用β‑衰减正则化提高了NAS的泛化能力，利用置信学习率提高了NAS运算速度，同时减轻了过拟合现象，有效的提高了高光谱图像的分类精度，为后续神经架构搜索算法在高光谱图像分类研究以及相关应用提供了良好思路。

公开(公告)号：CN114842253A

公开(公告)日：2022-08-02

申请号：CN202210477506.6

申请日：2022-05-04

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  邢爽 ,  戴诗雨 ,  吴海滨 ,  徐恺阳

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明基于自适应光谱空间核结合ViT高光谱图像分类方法属于图像分类技术领域；该方法依次执行以下步骤：步骤a、输入待分类的高光谱图像；步骤b、使用主成分分析方法去除光谱冗余；步骤c、使用基于注意力的自适应光谱空间核进行特征提取；步骤d、将提取的特征输入到ViT中；步骤e、使用多层感知机得到分类结果；本发明通过长距离捕获HSI序列的光谱关系，并充分利用数据的局部和全局信息，解决了CNN方法获取深度语义特征能力有限问题，提高了分类精度。

公开(公告)号：CN109325916A

公开(公告)日：2019-02-12

申请号：CN201811205353.X

申请日：2018-10-16

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  姜远航

IPC: G06T3/40

Abstract: 本发明公开了一种基于稀疏表示的视频图像超分辨重建方法，包括以下步骤：A、输入高分辨率样本图样；B、抽取训练样本；C、根据步骤B的内容更新训练字典；D、将待重构的低分辨率图像与训练字典进行稀疏编码；E、得出重构的高分辨率图像，本发明基于稀疏表示的视频图像超分辨重建方法鲁棒性好、算法效率高，处理后的图像分辨率高。

公开(公告)号：CN119942196A

公开(公告)日：2025-05-06

申请号：CN202510013888.0

申请日：2025-01-05

Applicant: 哈尔滨理工大学

Inventor： 刘城洋 ,  王爱丽 ,  赵琳 ,  吴海滨 ,  韩闯 ,  王敏慧 ,  于双 ,  赵烟桥

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/24

Abstract: 本发明提出一种基于特征对齐的跨域高光谱图像农作物精细分类方法，属于图像处理技术领域。首先，输入少量标签的目标域数据和充足标签的源域数据，利用嵌入模型提取特征信息。其次，引入非对称卷积，灵活适应不同方向的特征提取，通过不同方向的卷积核精确捕捉农作物边缘与轮廓，确保不同尺度下的边界信息保留。随后，通过条件对抗域适配策略实现源域与目标域分布对齐，克服频谱偏移。此外，采用锐度感知最小化平滑参数优化，使模型对特征分布变化不敏感，减少频谱偏移带来的波动。最后，利用K近邻算法(K‑nearest neighbor,KNN)进行分类，获得农作物类别。实验结果表明，方法在Indian Pines数据集上的分类精度优于现有方法，为跨域高光谱图像农分类提供新思路。

公开(公告)号：CN114898217B

公开(公告)日：2025-04-15

申请号：CN202210677414.2

申请日：2022-06-15

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  宋璎珞 ,  丁姗姗

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于神经架构搜索的高光谱图像分类方法，属于图像分类技术领域，该方法依次执行以下步骤：输入高光谱图像(HSI)，利用滑动窗口裁剪为32×32像素的样本并划分训练样本、验证样本和测试样本；利用6种预设操作构建神经架构搜索(NAS)的空间，将训练样本输入该空间；利用梯度算法的搜索策略搜索出候选网络结构，搜索过程中利用β‑衰减对体系结构参数进行正则化；使用置信学习率进行结构梯度权重更新；将搜索到的预设操作组成基础单元，并连接构成最优神经网络架构；利用最优神经网络架构对HSI进行分类，获取分类结果。本发明是基于神经网络搜索的高光谱图像分类方法，在包含6种预设操作构建的搜索空间中进行最优架构的搜索，并利用β‑衰减正则化提高了NAS的泛化能力，利用置信学习率提高了NAS运算速度，同时减轻了过拟合现象，有效的提高了高光谱图像的分类精度，为后续神经架构搜索算法在高光谱图像分类研究以及相关应用提供了良好思路。

公开(公告)号：CN119810540A

公开(公告)日：2025-04-11

申请号：CN202411890313.9

申请日：2024-12-20

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  闫思奇 ,  韩闯 ,  吴海滨 ,  王敏慧 ,  盖建新 ,  孙晓明

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/58 ,  G06V10/52 ,  G06V10/80 ,  G06V10/77 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明提出了一种基于多尺度卷积和特征融合的高光谱图像开放集分类方法，旨在提升高光谱图像中已知类别和未知类别的分类精度和分类模型的鲁棒性。该方法通过深度学习模型融合光谱和空间特征，解决了高光谱图像分类中的未知类别识别和特征优化问题。首先通过多尺度卷积提取光谱特征，并结合通道注意力机制，增强了对最具判别性光谱信息的捕捉。其次，通过多分支结构和卷积增强技术优化了光谱特征的表达，提升对复杂空间信息的感知能力。空间特征则通过高频增强技术得到强化，提升了对细节和边缘信息的敏感性。本发明通过创新的特征提取和融合策略，提升了高光谱图像开放集的分类精度与分类模型的鲁棒性。

公开(公告)号：CN119624939A

公开(公告)日：2025-03-14

申请号：CN202411833132.2

申请日：2024-12-13

Applicant: 哈尔滨理工大学

Inventor： 吴海滨 ,  刘文柏 ,  袁鹏飞 ,  李福玲 ,  王爱丽

IPC: G06T7/00 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/045 ,  G06V10/764

Abstract: 本发明属于计算机视觉领域中的目标检测技术，具体涉及一种基于改进YOLOv11的X光安检图像危险品检测系统。首先将X光安检图像数据集按照6：4的比例划分为训练集与测试集，该系统基于YOLOv11架构，在主干网络结构中引入了空间和通道协同注意机制(Spatial andChannel Synergistic Attention,SCSA)，其包含可共享的多语义空间注意力(Shareable Multi‑Semantic Spatial Attention,SMSA)和渐进式通道自注意力(Progressive Channel‑wise Self‑Attention,PCSA)两部分，旨在提升X光安检图像中的危险品检测性能，有效增强模型对复杂场景的理解能力，提高了对小型目标、遮挡物体及低对比度危险品的检测精度与速度。本发明通过结合SCSA模块改进YOLOv11算法，显著提升了X光安检图像中危险品检测的精度与速度，为提升公共安全和优化安检流程提供了有力的技术支持。