-
公开(公告)号：CN109145958A
公开(公告)日：2019-01-04
申请号：CN201810842331.8
申请日：2018-07-27
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于多任务生成对抗网络的真实场景小物体检测方法，属于计算机视觉领域中的物体检测技术领域。所述检测方法将多任务生成对抗网络引入到物体检测中，通过让多任务生成对抗网络中的生成器网络和鉴别器网络相互博弈的方式进行学习，实现小物体检测网络的建立进而完成图像的小物体检测。所述小物体检测方法克服了现阶段的物体检测方法在真实场景中检测正确率低的困难，促进了基于深度学习的物体检测方法在真实场景下的应用。
-
公开(公告)号：CN108334848A
公开(公告)日：2018-07-27
申请号：CN201810119264.7
申请日：2018-02-06
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/00228 , G06K9/00288 , G06K9/6256 , G06N3/0454 , G06N3/08 , G06T3/4007 , G06T3/4076 , G06T2207/20081 , G06T2207/20084 , G06T2207/30201
Abstract: 本发明提供一种基于生成对抗网络的微小人脸识别方法。本发明是为了解决现阶段的人脸检测技术无法捕获复杂背景下的微小人脸，当基于失真的图像进行人脸检测时会导致检测率严重下降的缺点而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。
-
公开(公告)号：CN107329150A
公开(公告)日：2017-11-07
申请号：CN201710534212.1
申请日：2017-07-03
Applicant: 哈尔滨工业大学
Abstract: 本发明实施例公开了一种面向应急响应任务的卫星星簇体系及方法，其所述卫星星簇体系包括：中枢星，用于侦察预定范围内是否有应急响应任务对应的预定事件的发生，根据侦察的结果生成控制指令；搜索星，具有第一卫星分辨率及预定幅度的搜索载荷，用于根据所述控制指令，搜索所述预定范围发生所述预定事件的特定区域，以获得搜索信息；识别星，包括具有第二卫星分辨率的识别载荷，用于根据所述搜索信息对所述特定区域内所述预定事件对应的目标对象进行识别；确认星，具有第三卫星分辨率的确认载荷，用于根据所述识别信息进行所述目标对象的确认；跟踪星，用于对所述目标对象进行运动跟踪以获得跟踪信息；外部接口，用于与外部系统进行信息交互。
-
公开(公告)号：CN103879974A
公开(公告)日：2014-06-25
申请号：CN201410155572.7
申请日：2014-04-17
Applicant: 哈尔滨工业大学
Abstract: 一种微波辅助法制备硒化铜纳米线的方法，它涉及一种制备硒化铜纳米粉体的方法。它要解决现有硒化铜纳米线的制备过程中加热速度慢、热能利用率低、合成周期长、产量低，不利于扩大生产的问题。方法：一、Cu(CH3COO)2·H2O、Na2SeO3、酒石酸钠溶于甲酰胺中，得混合溶液A；二、KOH加到甲酰胺中，得溶液B；三、溶液B加到混合溶液A中，滴加水合肼，得混合溶液C；四、微波辐射处理，得Cu2-xSe纳米线前驱体；五、经离心、洗涤、干燥后即得硒化铜纳米线。本发明不需要高温，加热速度快、合成周期短，得到的硒化铜粉体结晶度好、粒度分布窄，纯度高达99%以上，产率达90%以上，有利于大规模制备硒化铜纳米线。
-
公开(公告)号：CN114387485B
公开(公告)日：2023-04-18
申请号：CN202210043031.X
申请日：2022-01-14
Applicant: 哈尔滨工业大学
IPC: G06V10/774 , G06V10/764 , G06V10/44 , G06V10/54 , G06V10/56 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0475 , G06N3/094 , G06N3/09 , G06N3/088
Abstract: 一种基于生成对抗网络的火星图像增广方法，属于计算机视觉中图像增广技术领域。针对现有火星图像增广方法获得的火星图像分辨率低、无法控制图像类别以及训练不稳定的问题。包括：基于DCGAN的图像生成网络，针对DCGAN难以生成优质的高分辨率火星图像的问题，使用渐进式的网络训练方法进行精细地图像生成；针对GAN无法控制目标类火星图像生成的问题，引入风格迁移技术设计了可控的火星图像生成方法；针对DCGAN训练不稳定而难以使火星车自主完成训练的问题，基于wasserstein距离设计了新的损失函数。本发明用于火星图像增广。
-
Patent Agency Ranking
公开(公告)号：CN107833213B
公开(公告)日：2020-09-22
申请号：CN201711066445.X
申请日：2017-11-02
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于伪真值自适应法的弱监督物体检测方法，是为了解决现有的全监督物体检测器需依靠大量有标注信息的数据库，以及当图片中含多个物体且物体相互遮挡时物体位置检测不准确的缺点而提出的，包括：将图片输入到弱监督物体检测器中，将检测器输出结果进行非极大抑制处理，在处理结果中选取每种物体得分最高的边界框；根据选出的边界框的位置信息训练候选区域产生网络，并保留与得分最高的边界框重合面积大于一定值的边界框，将对应于同一个物体的候选区域的像素坐标求平均值，根据计算结果确定每个物体的唯一边界框；将边界框信息作为伪真值输入给全监督物体检测器。本发明适用于物体检测技术，尤其是真实场景中的一般物体检测技术。
-
公开(公告)号：CN107730553B
公开(公告)日：2020-09-15
申请号：CN201711065776.1
申请日：2017-11-02
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于伪真值搜寻法的弱监督物体检测方法，是为了解决现有的全监督物体检测器需要依靠大量的有标注信息的数据库，以及当图片中含有多个物体且物体相互遮挡时物体位置检测不准确而提出的，包括：将训练样本中的图片输入到弱监督物体检测器中；将弱监督物体检测器的输出结果进行非极大抑制处理(NMS)，将超过预定的得分阈值的边界框保留；在保留下来的边界框中，删除被完全包含在其他边界框中的边界框；计算该边界框与其他边界框的重合面积，将重合面积大于一定阈值的边界框进行融合；将融合后的边界框的信息作为伪真值信息输入给全监督物体检测器，得到检测结果。本发明适用于物体检测技术，尤其是真实场景中的一般物体检测技术。
-
公开(公告)号：CN106843847B
公开(公告)日：2020-05-26
申请号：CN201611223171.6
申请日：2016-12-26
Applicant: 哈尔滨工业大学
Abstract: 基于窗体间数据传递的可在线配置通用化软件的开发方法，涉及一种通用化软件的开发方法。为了解决现有的软件开发方法在软件开发过程中对软件测试时需要先将通用配置项保存至第三方软件并需要加载第三方软件保存的通用配置项才能开展测试工作、且不支持在线修改配置项而存在的测试效率低的问题，本发明将所有硬件资源及其对应的属性参数按照编号合理分配在配置界面上，开始测试任务时利用窗体间数据传递技术在线实时将所述的有效配置结果传递给测试界面，测试界面根据接收当前最新的有效配置结果对总硬件资源进行重构，测试界面通过与重构后硬件资源进行信息交互，实现并完成测试任务，进而实现通用化软件的开发。本发明适用通用化软件的开发。
-
公开(公告)号：CN111144423A
公开(公告)日：2020-05-12
申请号：CN201911369736.5
申请日：2019-12-26
Applicant: 哈尔滨工业大学
Abstract: 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法，属于遥感数据特征提取技术领域。为了解决现有基于卷积神经网络高光谱遥感数据的光谱特征提取尺度单一的问题，同时解决高光谱遥感数据的高维度信号造成的维数灾难的问题。本发明中以每个尺度值减一后的值与对应的分组数的乘积相等为原则，直接将高维的高光谱向量信号在光谱波段维度上等分成若干组，每个尺度利用多个不同的滤波器对每段高维的高光谱向量信号进行单独的一维常规卷积操作，通过若干组操作实现快速降低光谱向量的特征维度。本发明适用于高光谱遥感数据的多尺度光谱特征提取。
-
公开(公告)号：CN109145958B
公开(公告)日：2019-11-08
申请号：CN201810842331.8
申请日：2018-07-27
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于多任务生成对抗网络的真实场景小物体检测方法，属于计算机视觉领域中的物体检测技术领域。所述检测方法将多任务生成对抗网络引入到物体检测中，通过让多任务生成对抗网络中的生成器网络和鉴别器网络相互博弈的方式进行学习，实现小物体检测网络的建立进而完成图像的小物体检测。所述小物体检测方法克服了现阶段的物体检测方法在真实场景中检测正确率低的困难，促进了基于深度学习的物体检测方法在真实场景下的应用。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.04 seconds)
