-
公开(公告)号：CN111611932B
公开(公告)日：2023-07-11
申请号：CN202010440430.0
申请日：2020-05-22
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V20/13 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了基于全卷积网络的遥感图像云检测方法、终端及存储介质，所述基于全卷积网络的遥感图像云检测方法包括：获取待检测遥感图像；利用训练好的全卷积网络对所述待检测遥感图像进行处理，得到所述待检测遥感图像的云检测结果，其中，所述全卷积网络包括挤压激励密集网络，所述挤压激励密集网络包含编码模块和解码模块，所述编码模块包含至少一层编码网络，所述解码模块包含至少一层解码网络，其中：所述编码网络包括级联连接的挤压激励密集块和下采样层，所述解码网络包括级联连接的上采样层和挤压激励密集块，所述挤压激励密集块包含级联连接的挤压激励子网络和密集卷积子网络。本发明可提升遥感图像云检测结果的精确度。
-
公开(公告)号：CN114782274A
公开(公告)日：2022-07-22
申请号：CN202210459888.X
申请日：2022-04-28
Applicant: 哈尔滨工业大学
Abstract: 基于光照估计的无人机多光谱图像辐射校正方法，属于遥感中的多光谱数据辐射校正领域。本发明针对现有无人机多光谱图像的辐射校正需借助环境光照传感器辅助对多光谱数据进行光照补偿，实现难度大的问题。包括建立多光谱图像集，选择包含参考目标的图像作为参考图像，构建基于参考图像的方程组；对待校正多光谱图像中包含重叠区域的任意两幅图像提取联结点，利用联结点构建基于重叠图像的方程组；联立两个方程组得到光照估计方程组；将光照估计方程组与反射率约束条件联合构建目标函数并优化求解，得到所有图像成像时的光照函数；利用光照函数对所有待校正多光谱图像进行辐射校正。本发明实现了无环境光传感器条件下的无人机多光谱图像辐射校正。
-
公开(公告)号：CN107341517B
公开(公告)日：2020-08-11
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。
-
Patent Agency Ranking
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。
-
-
-
-
-
-
-
Search Results
48
records
(took 0.027 seconds)
