-
公开(公告)号：CN118449704A
公开(公告)日：2024-08-06
申请号：CN202410699578.4
申请日：2024-05-31
Applicant: 哈尔滨工程大学
Abstract: 一种零信任物链网组认证及密钥分发模型及协议，本发明涉及零信任物链网组认证及密钥分发模型及协议，属于零信任网络架构下基于区块链的物联网身份认证及密钥管理技术领域。本发明的目的是为解决物链网身份认证模型单一，身份认证协议大多针对单一用户进行认证，缺乏群组认证及密钥建立的问题。模型包括：分段网关SG、微核心与微边界MCAP、区块链、云服务提供商CSP、物联网IoT节点；分段网关SG用于负责整个网络的安全机制；区块链用于存储物联网IoT设备身份信息、网络参数、密码体制公共参数和公钥信息；用于负责验证组用户的签名，完成身份认证和密钥分发；物联网IoT设备用于将采集的数据上传到云服务提供商CSP，或者从云服务提供商CSP获得共享数据。
-
公开(公告)号：CN114140357B
公开(公告)日：2024-04-19
申请号：CN202111462313.5
申请日：2021-12-02
Applicant: 哈尔滨工程大学
IPC: G06T5/77 , G06T5/50 , G06T5/60 , G06T3/4053 , G06T3/4046 , G06T7/33 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 一种基于协同注意力机制的多时相遥感图像云区重建方法，涉及遥感图像处理技术领域，针对现有技术中图像修复法大多是基于背景信息进行像素预测生成，无法准确地还原地貌特征和地物信息的问题，本申请设计了一个具有门控卷积的协同注意层，能够提取和融合关键特征。门控卷积考虑了云和干净像素之间的差异。从而可以使得生成的无云图像分辨率更高，更加接近Ground Truth图像。此外，通过U型结构中的跳转连接和L1损失函数对模型进行优化，一方面跳转结构通过共享低级信息减少了模型的运算量，提升了模型训练的速度，另一方面由于L1损失可以更好地捕捉遥感图像中的低频信息，有助于提高云重建模型的准确度。
-
公开(公告)号：CN114973061B
公开(公告)日：2023-06-23
申请号：CN202210434179.6
申请日：2022-04-24
Applicant: 哈尔滨工程大学
IPC: G06V20/40 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于深度学习方法的辅助抗沉决策模型生成方法及系统，属于抗沉辅助决策技术领域，其该方法包括：获取预设船舶的舱室区域标号数据和浸水实验数据包括总时间、每个舱室的灌满时间以及浸水视频；将每个舱室的浸水视频进行逐帧处理，得到多个图片以及每张图片对应的时间，并将多个图片以及每张图片对应的时间分成两个部分，第一部分将其顺序打乱，并划分为训练、测试集，第二部分以时间轴为顺序排列；将训练集输入卷积神经网络中进行训练，并将第二部分图片输入训练好的卷积神经网络中，得到向量化数据；将舱室区域标号和向量化数据输入循环神经网络中进行训练，得到辅助抗沉决策模型。该方法提高了抗沉辅助决策的速度以及合理程度。
-
公开(公告)号：CN114581864B
公开(公告)日：2023-04-18
申请号：CN202210213377.X
申请日：2022-03-04
Applicant: 哈尔滨工程大学
IPC: G06V20/54 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于transformer的动态密集对齐车辆重识别技术，本发明涉及车辆重识别方法。本发明的目的是为了解决现有方法对车辆重识别准确率低的问题。具体过程为：一、采集不同视角的车辆图像数据集，分为训练集和测试集；二、建立主干网络，将训练集输入主干网络进行训练，直至收敛，得到训练好的主干网络；所述主干网络包括CNN网络模块、扁平化处理模块、可学习嵌入模块、车辆关键点检测模型、动态密集嵌入模块、Transformer编码器模块、BN、监督学习模块、ID损失、三元组损失；三、将测试集输入练好的主干网络，进行分类结果预测。本发明用于计算机视觉技术领域。
-
公开(公告)号：CN114581864A
公开(公告)日：2022-06-03
申请号：CN202210213377.X
申请日：2022-03-04
Applicant: 哈尔滨工程大学
IPC: G06V20/54 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 基于transformer的动态密集对齐车辆重识别技术，本发明涉及车辆重识别方法。本发明的目的是为了解决现有方法对车辆重识别准确率低的问题。具体过程为：一、采集不同视角的车辆图像数据集，分为训练集和测试集；二、建立主干网络，将训练集输入主干网络进行训练，直至收敛，得到训练好的主干网络；所述主干网络包括CNN网络模块、扁平化处理模块、可学习嵌入模块、车辆关键点检测模型、动态密集嵌入模块、Transformer编码器模块、BN、监督学习模块、ID损失、三元组损失；三、将测试集输入练好的主干网络，进行分类结果预测。本发明用于计算机视觉技术领域。
-
Patent Agency Ranking
公开(公告)号：CN114140357A
公开(公告)日：2022-03-04
申请号：CN202111462313.5
申请日：2021-12-02
Applicant: 哈尔滨工程大学
IPC: G06T5/00 , G06T5/50 , G06T7/33 , G06V10/46 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于协同注意力机制的多时相遥感图像云区重建方法，涉及遥感图像处理技术领域，针对现有技术中图像修复法大多是基于背景信息进行像素预测生成，无法准确地还原地貌特征和地物信息的问题，本申请设计了一个具有门控卷积的协同注意层，能够提取和融合关键特征。门控卷积考虑了云和干净像素之间的差异。从而可以使得生成的无云图像分辨率更高，更加接近Ground Truth图像。此外，通过U型结构中的跳转连接和L1损失函数对模型进行优化，一方面跳转结构通过共享低级信息减少了模型的运算量，提升了模型训练的速度，另一方面由于L1损失可以更好地捕捉遥感图像中的低频信息，有助于提高云重建模型的准确度。
-
公开(公告)号：CN111145344A
公开(公告)日：2020-05-12
申请号：CN201911405700.8
申请日：2019-12-30
Abstract: 一种用于雪雕3D重建的结构光测量方法，涉及结构光测量技术领域，针对现有技术中雪雕3D重建测量时，由于作业场景、强烈的环境噪声和特殊的表面光学特性的影响，导致测量准确性低的问题，本发明在不改变结构光传感器结构的前提下，通过数字图像处理手段提高系统抗噪能力，保证测量结果的精度和实时性，使传感器能够作业于野外复杂环境中，扩大了结构光传感器的应用范围，提高了测量的准确性。本发明整个处理过程将结构光图像中的关键问题集中到一个时空跟踪框架中，测量结果兼顾鲁棒性、准确性和实时性。
-
公开(公告)号：CN110910377A
公开(公告)日：2020-03-24
申请号：CN201911190631.3
申请日：2019-11-28
Applicant: 哈尔滨工程大学
Abstract: 本发明属于医学图像识别技术领域，具体涉及应用在临床实践上的一种基于神经网络的脑梗死MRI图像识别方法。本发明包括以下步骤：采集明确具有脑梗死疾病的脑部MRI图像；数据预处理，对标注好的原始图像进行缩放和裁剪处理；构建神经网络，卷积神经网络总深度为11层,卷积核大小为3*3,第2、4、7层步长为2,其余层步长为1；训练神经网络；测试模型；诊断测试；输出模型和整理结果。本发明的优点在于：使用卷积神经网络进行头部MRI图像识别,相比于传统方法,准确率更高,诊断过程更加智能化，且可以应用于除头部MRI识别外的其他应用场景。本发明使用全卷积网络作为基础网络结构,保留局部信息,使得学习到的特征更易被可视化和理解。
-
公开(公告)号：CN110489804A
公开(公告)日：2019-11-22
申请号：CN201910659827.6
申请日：2019-07-22
Applicant: 哈尔滨工程大学
IPC: G06F17/50
Abstract: 本发明公开了一种单位圆盘图上的最大独立集近似求解方法，包括以下步骤：步骤1：利用动态规划方法设计一种单位圆盘顶点的相邻顶点集诱导子图的最大顶点独立集的最优解求解方法，并给出任意两顶点相邻顶点集并集诱导子图的最大顶点独立集的最优解；步骤2：针对一般的单位圆盘图，首先计算顶点支配独立集；之后对顶点支配独立集中成员进行单独检查，判断结果是否可优化，得到中间解；最后对中间解中成员进行联合检查，判断结果是否可优化，得到最终解。本发明以O(Δ2n3)的计算时间复杂度得到近似比为1.5的近似解，其中Δ为顶点最大度，相比单位圆盘图上最大独立集求解问题的现有近似算法，本发明提高了近似比，具有更高的效率。
-
公开(公告)号：CN104536830A
公开(公告)日：2015-04-22
申请号：CN201510012387.7
申请日：2015-01-09
Applicant: 哈尔滨工程大学
Abstract: 本发明属于数据挖掘和云计算领域，具体涉及一种在Hadoop集群上，依据KNN算法和MapReduce编程模型特点，并行化的实现文本分类的基于MapReduce的KNN文本分类方法。本发明包括：数据预处理：其中包括分词、去停用词、词根还原三个过程；特征提取：对训练数据集进行处理，筛选出区分能力最强的特征项；运用KNN算法对测试数据集进行分类。本发明在Hadoop平台上实现的KNN算法具有较好的加速比和良好的扩展性，在数据量相同的情况下，算法的执行效率与集群节点数有关，一般节点越多处理数据的效率就越高。本发明在适当的节点上高效的完成了文本分类任务。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.075 seconds)
