-
公开(公告)号：CN111062403A
公开(公告)日：2020-04-24
申请号：CN201911369737.X
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深度光谱特征提取方法，属于遥感数据特征提取技术领域。为了解决现有的基于深度学习方法需要大量标记的训练样本学习模型的参数，存在针对高光谱遥感数据标记训练样本稀少的情况光谱特征提取效果差的问题。本发明所述方法利用D个一维滤波器对归一化数据进行卷积操作，在特征通道方向分成g组；每组利用多个一维滤波器进行一维卷积操作，将每组卷积结果在特征通道方向上堆栈在一起；进行全局和局部相关性并进行加权，洗牌，然后进行一维卷积操作，提取光谱特征；进而确定高光谱遥感数据深度光谱特征提取模型，训练高光谱遥感数据深度光谱特征提取模型。本发明用于高光谱遥感数据深度光谱特征的提取。
-
公开(公告)号：CN108334847A
公开(公告)日：2018-07-27
申请号：CN201810119263.2
申请日：2018-02-06
Applicant: 哈尔滨工业大学
Abstract: 本发明提供一种真实场景下的基于深度学习的人脸识别方法，是为了解决现有真实场景下的人脸识别方法只能解决单一因素影响，而不能解决姿势、光照等因素的影响而提出的，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；生成器进一步包括上采样网络以及优化网络；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：CN107833213A
公开(公告)日：2018-03-23
申请号：CN201711066445.X
申请日：2017-11-02
Applicant: 哈尔滨工业大学
CPC classification number: G06T7/0002 , G06K9/6267 , G06N3/084 , G06T2207/20081
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：CN107341517A
公开(公告)日：2017-11-10
申请号：CN201710551916.X
申请日：2017-07-07
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及机器视觉领域中的物体检定技术，尤其涉及一种基于深度学习层级间特征融合的多尺度小物体检测方法，本发明为了解决现有物体检测在真实场景下检测精度非常低，受尺度大小约束，对于小物体的检测非常困难的缺点，而提出一种基于深度学习层级间特征融合的多尺度小物体检测方法，本发明以真实场景下的图像为研究对象，通过构建卷积神经网络提取输入图像的特征，利用候选区域生成网络产生较少的候选区域，之后将各个候选区域映射到经卷积神经网络生成的特征图上得到每个候选区域的特征，经池化层后得到固定大小、固定维度的特征输入到全连接层，全连接层后的两个分支分别输出识别类别和回归后的位置。本发明适用于机器视觉领域中的物体检定。
-
公开(公告)号：CN106843847A
公开(公告)日：2017-06-13
申请号：CN201611223171.6
申请日：2016-12-26
Applicant: 哈尔滨工业大学
IPC: G06F9/44
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。
-
Patent Agency Ranking
公开(公告)号：CN101382439A
公开(公告)日：2009-03-11
申请号：CN200810137401.6
申请日：2008-10-27
Applicant: 哈尔滨工业大学
Abstract: 多参数自确认传感器及其状态自确认方法，它涉及传感器领域，它解决了现有多参数传感器不能够对自身状态进行评估的问题，以及发生故障时，不能判断故障类型、不能得到正确数据的缺点。本发明是将多个被测物理量经敏感元件和传统的分析处理单元得到原始数据，这些原始测量数据经故障诊断单元后，再经输出数据生成单元得到更加丰富的输出信息。多参数传感器比单一参数传感器输出更多的物理量测量值，其中一些物理量之间通常存在着相关性，这些相关性是故障诊断和状态确认的重要条件。本发明能够在线评估工作状态和输出数据不确定度，使系统能清晰了解传感器的在线工作状态和输出数据的可信度，并在发生故障时，能够诊断出故障类型，实现数据重构。
-
公开(公告)号：CN119942178A
公开(公告)日：2025-05-06
申请号：CN202411904099.8
申请日：2024-12-23
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/091
Abstract: 一种由视觉语言大模型和弱监督物体检测器引导的主动学习初始化方法，属于计算机视觉中物体检测器的初始化技术领域。本发明针对现有主动学习物体检测技术初始化阶段标注代价高及视觉语言大模型检测结果的召回率低的问题。包括采用视觉语言大模型通过类相关提示询问获得输入图像中待检测类别数目，再获得空间坐标检测结果；反复迭代检测过程获得最终空间坐标检测结果；同时获得输入图像的候选区域；再结合图像级别标签训练弱监督物体检测器，并获得物体定位检测结果；对最终空间坐标检测结果和物体定位检测结果进行融合，获得伪真值，用于主动学习初始化阶段对全监督物体检测器进行训练。本发明平衡了主动学习初始化过程中标注代价和检测性能。
-
公开(公告)号：CN119723202A
公开(公告)日：2025-03-28
申请号：CN202411904100.7
申请日：2024-12-23
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/762 , G06V10/774 , G06V10/74 , G06V10/82 , G06N3/091
Abstract: 一种基于不确定性和多样性获取函数的主动学习方法，属于计算机视觉中物体检测器的主动学习领域。本发明针对现有主动学习过程利用的初始化后的物体检测器不能深层次挖掘有价值图像的特征的问题。包括：采用基于图像级标签训练好的弱监督物体检测器和部分实例级标签初始化的全监督物体检测器对训练集中已标注真值或伪真值的图像进行检测，根据检测结果计算实例级困难分数、类级困难分数及类相同权重；再对未标注实例级标签图像进行检测，基于类相关权重和熵计算图像级困难分数并确定候选图像；根据对候选图像的检测结果计算每两幅候选图像的相似度，确定候选图像的聚类中心，聚类后确定有价值图像。本发明能够进一步地精炼全监督的物体检测器。
-
-
公开(公告)号：CN111062403B
公开(公告)日：2022-11-22
申请号：CN201911369737.X
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深度光谱特征提取方法，属于遥感数据特征提取技术领域。为了解决现有的基于深度学习方法需要大量标记的训练样本学习模型的参数，存在针对高光谱遥感数据标记训练样本稀少的情况光谱特征提取效果差的问题。本发明所述方法利用D个一维滤波器对归一化数据进行卷积操作，在特征通道方向分成g组；每组利用多个一维滤波器进行一维卷积操作，将每组卷积结果在特征通道方向上堆栈在一起；进行全局和局部相关性并进行加权，洗牌，然后进行一维卷积操作，提取光谱特征；进而确定高光谱遥感数据深度光谱特征提取模型，训练高光谱遥感数据深度光谱特征提取模型。本发明用于高光谱遥感数据深度光谱特征的提取。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.027 seconds)
