-
公开(公告)号：CN112562702A
公开(公告)日：2021-03-26
申请号：CN202011374653.8
申请日：2020-11-30
Applicant: 哈尔滨工程大学
IPC: G10L21/003 , G10L25/18 , G10L25/24
Abstract: 本发明提供一种基于循环帧序列的门控循环单元网络的语音超分辨率方法，包括如下步骤：(1)对原始语音信号进行预处理；(2)提出构建CFS‑GRU模型；(3)完成基于循环帧序列网络的语音超分辨率。本发明基于GRU搭建的循环结构模型，直接将语音信号序列作为输入，很大程度上减小了计算代价，并且相比于传统方法有着较好的超分辨率效果；相比于LSTM，GRU模型有着较少的模型参数，通过GRU搭建的CFS‑GRU模型能够更快的训练和收敛。使用SegSNRLoss作为损失函数训练的CFS‑GRU模型能够更快的收敛，并且能够使输出帧序列有着较高的信噪比，提高超分辨率语音信号的质量。
-
公开(公告)号：CN110807372A
公开(公告)日：2020-02-18
申请号：CN201910976624.X
申请日：2019-10-15
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习遥感目标识别技术领域，具体涉及提高对目标的计算速度的一种基于深度特征重组的快速光学遥感目标识别方法。本方法包括如下步骤：分别建立自下而上50层ResNets以及101层ResNets网络架构作为构建特征金字塔网络的基础，对遥感图像进行初步特征提取，提取出4个不同的尺度的特征C2，C3，C4，C5；将得到的4个特征分别通过自上而下路径的卷积网络进行相互叠加得到新特征M2，M3，M4，M5用来消除不同层之间的混叠效果。将得到的M5特征图加倍得到新特征P5，特征P6是通过对P5进行3x3，然后对特征P6进行ReLU激活函数，再通过3x3,并且步长为2的卷积，就可以得到特征p7。本发明既具有单阶段测试模型的速度优势，又具有双阶段测试模型的计算准确度。
-
公开(公告)号：CN110474883A
公开(公告)日：2019-11-19
申请号：CN201910669487.5
申请日：2019-07-24
Applicant: 哈尔滨工程大学
IPC: H04L29/06
Abstract: 一种基于重标极差法的SDN异常流量检测方法，属于计算机网络安全技术领域。该方法包括收集SDN各节点(包括控制器和各用户终端)的正常网络流量包数量，分别计算其Hurst指数；保存并作为网络正常指标，设定正常状态的阈值；收集各节点发生某种已知异常的网络流量包数量，计算各节点Hurst指数作为该异常的指标；用窗函数截取前向序列并计算其Hurst指数，若由正常指标最终变为某种异常指标，即可确定该模式的异常发生并确定发生异常时刻点。若只是指标变化偏离了正常值，但不能找到相近的异常指标，则发生了已知模式之外的异常，并能够确定异常时刻点。本发明可以实时检测流量状态，判断流量是否异常，并且能够检测异常发生时刻，有利于加强SDN网络系统的安全性。
-
公开(公告)号：CN109886356A
公开(公告)日：2019-06-14
申请号：CN201910177081.5
申请日：2019-03-08
Applicant: 哈尔滨工程大学
Abstract: 一种基于三分支神经网络的目标追踪方法，属于计算机视觉技术领域。视觉目标跟踪属于视频分析，作为计算机视觉领域的一个重要分支，它的基本任务是根据给定的目标在初始帧的位置信息，预测目标在视频序列中的位置、区域以及运动轨迹。针对视觉目标追踪的精度低和速度慢，易受遮挡、背景混淆、尺寸变化、剧烈的表观变化、光照变化等影响。提出了一种基于三分支神经网络的目标追踪方法。与传统视觉目标追踪技术不同的是：利用三分支神经网络对目标进行追踪能够对目标有鲁棒性高的表示能力，可以应对目标表观的显著变化，对背景有更好的区分性，同时能有效地避免算法的漂移。在追踪速度也远远超过其他算法。
-
公开(公告)号：CN109871902A
公开(公告)日：2019-06-11
申请号：CN201910177075.X
申请日：2019-03-08
Applicant: 哈尔滨工程大学
Abstract: 本发明属于雷达数据处理领域，具体涉及一种基于超分辨率对抗生成级联网络的SAR小样本识别方法。针对SAR目标图像分辨率低所导致的目标特征不明显，受环境影响较大，数据样本易混淆的问题，提出一个基于深度学习的超分辨率网络，对低分辨率的SAR的小样本图像进行放大。让分类网络能够提取到更多的特征。与传统超分辨率方法不同，利用GAN进行的图像超分辨率能够有效的提取到图像的特征，生成非过度平滑的逼真的高分辨率图像。针对SAR小样本图像具有的低分辨率，特征模糊，样本容易混淆的特点，针对SAR图像固有特点的GAN超分辨率模型。将实现一个4倍放大因子的超分模型，可以将原图像的像素数量放大到原来的16倍。这样可以提供给分类器更多的内容和特征。
-
Patent Agency Ranking
公开(公告)号：CN119006896A
公开(公告)日：2024-11-22
申请号：CN202411011291.4
申请日：2024-07-26
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/762 , G06V10/94
Abstract: 本发明提出一种面向联邦分类学习的公平感知激励方法，包括：步骤1：服务端初始化全局原型；步骤2：客户端初始化本地模型参数，利用全局原型，结合本地私有数据进行训练，更新本地模型参数和本地原型；步骤3：客户端将更新后的本地模型参数和本地原型上传至服务端；步骤4：对接收到的本地模型参数进行质量检测，生成边缘激励；步骤5：利用边缘激励和更新后的本地原型进行聚合，得到共识原型；步骤6：进行原型级别聚合，获取新的全局原型；步骤7：重复步骤2‑6，直至达到最大循环次数，输出最终的全局原型和每个客户端的个性化模型。本发明能更好地缓解数据异质性和类别不平衡对模型精度的影响，确保协作公平并激励高质量客户参与联邦学习。
-
公开(公告)号：CN119006895A
公开(公告)日：2024-11-22
申请号：CN202411011148.5
申请日：2024-07-26
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06V10/82 , G06V10/778 , G06N3/0464
Abstract: 本发明提出一种面向图像分类的个性化联邦学习方法，包括：步骤1：基于服务器初始化全局原型#imgabs0#步骤2：将初始化后的全局原型发送至客户端；步骤3：客户端初始化本地模型参数#imgabs1#将本地数据集随机划分，对全局原型进行更新，获取更新后的模型参数和本地原型；步骤4：客户端保留更新后的模型参数，并将更新后的本地原型上传至服务器；步骤5：服务器对所有客户端上传的本地原型进行聚合，生成新的全局原型；步骤6：重复步骤2‑6，将每次得到的全局原型发送至客户端进行更新，直至达到最大循环次数，输出最终的全局原型。本发明能够更好地缓解数据异质性对模型精度产生的影响，获得更高的分类准确率，大大降低客户端与服务器之间的通信成本。
-
公开(公告)号：CN118053450A
公开(公告)日：2024-05-17
申请号：CN202410266452.8
申请日：2024-03-08
Applicant: 哈尔滨工程大学
IPC: G10L25/51 , G10L25/27 , G10L19/022 , G10L19/18 , G10L15/18
Abstract: 本发明为一种利用元数据生成音频预测未知异常的异音检测方法，解决了目标机器异常音频样本对现有异音检测模型不可见导致异音检测模型无法选择超参数，异音检测系统性能受限的问题。本发明提供的异常样本预测策略借助音频特征和元数据信息特征对齐构建基于元数据信息的音频生成方法，进而预测未知的目标机器类型异常声音特性，为现有异常声音检测方法在First‑Shot场景下生成了可用于模型训练的目标机器预测声音样本，借助于预测声音样本，异音检测方法能在复杂的异常声音检测现实场景中确定最优模型，提升异音检测方法的性能和通用性。同时，本发明构建的统一的样本生成模型，缓解了现实场景中异常样本稀缺问题，有效降低了异音检测方法的工业化部署难度。
-
公开(公告)号：CN113838064B
公开(公告)日：2023-12-22
申请号：CN202111115253.X
申请日：2021-09-23
Applicant: 哈尔滨工程大学
IPC: G06V10/26 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06V20/70 , G06T7/33 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/048
Abstract: 本发明属于遥感图像处理技术领域，具体涉及一种基于分支GAN使用多时相遥感数据的云去除方法。本发明设计了一个深度卷积编码器‑解码器网络模型用于遥感图像云检测，以及一个分支GAN模型用于遥感图像的云去除，在保证云去除效果的同时，提升了重建像素的分辨率。本发明利用最大池化索引来进行输入图像特征图的非线性上采样，减少了端到端训练的参数量，提高了网络训练的时间；采用分支UNet结构来融合多时相遥感图像的特征信息，通过共享底层的语义信息，有效提高遥感图像云去除的精度。
-
公开(公告)号：CN117079668A
公开(公告)日：2023-11-17
申请号：CN202310902397.2
申请日：2023-07-21
Applicant: 哈尔滨工程大学
IPC: G10L25/30 , G06F18/213 , G06N3/0464 , G06N3/08 , G10L25/51 , G10L25/24
Abstract: 本发明属于异常声音检测技术领域，具体涉及一种利用元数据分层信息约束自监督分类的异音检测方法。本发明使用元数据分层信息结构约束神经网络对训练音频的低维特征和高维特征的学习，充分利用伴随音频文件的元数据，挖掘元数据属性对声学特征的影响，以使神经网络能学习到域偏移在音频特征上引起的变化，进而提高工业异音检测系统在域偏移条件下的性能。同时，本发明提出了一种以属性组为中心的异常分数计算方法，用于在域偏移条件下评估测试样本的异常分数，以判断测试音频是否正常。与现有技术相比，本发明的方法能够更精细地学习到音频特征，减轻域偏移在异常声音检测中带来的问题。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.036 seconds)
