-
公开(公告)号：CN119180984A
公开(公告)日：2024-12-24
申请号：CN202411206314.7
申请日：2024-08-29
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0464
Abstract: 本发明提出了一种3DCNN结合MLP的标签含噪高光谱图像农作物分类方法，属于图像分类技术领域。首先，本发明通过3D卷积神经网络(3D Convolutional Neural Network,3DCNN)同时提取空间和光谱特征，充分利用高光谱图像的三维信息。然后，引入多层感知器(Multilayer Perceptron,MLP)进行分类决策，以充分发挥其在处理高维特征空间中的优势。为了进一步增强模型对噪声标签的鲁棒性，本发明在训练样本的同时引入了归一化交叉熵(Normalized Cross Entropy,NCE)和逆交叉熵(Reverse Cross Entropy,RCE)混合的损失函数，减少噪声样本对模型的干扰。综合利用3DCNN的强大特征提取能力和MLP的优秀分类性能，再结合混合损失函数，最后获取农作物类别。本发明通过充分利用3DCNN和MLP在高光谱图像分类中的特征提取与分类决策优势，结合RCE和NCE的混合损失函数，构建了对噪声标签具有鲁棒性且更加精准的分类模型。该创新性方法不仅显著提升了对高光谱图像中噪声标签的处理能力，还增强了模型对高维特征空间的理解与表征。在噪声标签的高光谱图像分类任务中，本发明展示出卓越的分类性能，对于提升高光谱图像农作物分类的准确性和鲁棒性具有重要的科学与实用价值。
-
公开(公告)号：CN119180983A
公开(公告)日：2024-12-24
申请号：CN202411206298.1
申请日：2024-08-29
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N20/20
Abstract: 本发明提出基于XGBoost和域自适应的高光谱图像农作物跨场景分类方法，属于图像分类技术领域。首先，将不同场景的高光谱图像数据集输入深度嵌入模型，将高光谱数据嵌入低维空间以捕捉其内在结构和分布，使相似光谱的表示更加接近。然后，引入置信域自适应技术，通过判别器模型减少不同场景特征分布的差异，去除噪声样本，加强特征分布对齐。最后，本发明通过投票组合策略集成多个基分类器，减少单个分类器的偏差，提升泛化能力和鲁棒性。在Houston数据集上，该方法优于传统方法和主流域自适应模型，尤其在经济作物的Grass healthy和Grass stressed类别上效果显著提升。
-
公开(公告)号：CN118887270A
公开(公告)日：2024-11-01
申请号：CN202410904753.9
申请日：2024-07-07
Applicant: 哈尔滨理工大学
IPC: G06T7/593 , G06N3/0464 , G06N3/096
Abstract: 深度估计在医学影像中具有重要应用价值，可以弥补医生在手术过程中由于观察目镜感官受限而难以获得精确深度信息的不足。针对内腔手术场景动态多变、软组织尺度微小等原因导致深度估计精度不高的问题，本发明提出了一种结合迁移学习和注意力机制的内腔图像深度估计方法。通过利用U‑net网络对内腔图像进行多尺度的特征提取，并结合通道和空间注意力来优化解码的精度，利用多层级深度优化对图像深度进行估计。同时，针对内腔环境中数据集较少、缺少可靠真值的问题，利用室内数据集对MVSNet网络进行预训练，再将学到的特征和权重利用迁移学习对目标内腔数据集的训练网络进行微调。并针对内腔表面图像引入邻域平滑损失项约束具有相似外观的相邻像素，达到生成平滑深度表面的效果。实验表明，本发明的深度估计网络在Hamlyn公开内腔数据集上显著提高了内腔图像的深度估计精度和完整性。
-
公开(公告)号：CN118885385A
公开(公告)日：2024-11-01
申请号：CN202410904782.5
申请日：2024-07-07
Applicant: 哈尔滨理工大学
IPC: G06F11/36 , G06F21/62 , G06N3/0464 , G06N3/09 , G06N3/098
Abstract: 本发明涉及联邦学习、软件缺陷预测技术领域，公开了一种基于继承联邦学习的异构软件缺陷预测方法，解决了软件缺陷预测中单一数据集的数据不充分以及多源数据带来的数据异构和隐私性问题。该方法包括：对各本地数据集采用综合过采样Synthetic Minority Over‑sampling Technique combined with Tomek Links(SMOTETomek)算法和核主成分分析(Kernel Principal Component Analysis,KPCA)算法进行预处理；在本地训练阶段加入继承私有模型(Inherited Private Models,IPM)，将历史训练中的模型知识进行迁移，共同参与本轮训练；在全局聚合阶段引入差异感知协作(Discrepancy‑aware Collaboration,DC)算法，考虑数据分布的情况下重新分配聚合权重。在迭代优化上采用了Ranger算法，由于参数更新上加入了多种不可逆的混合运算，因此能够加速收敛的同时有效保护数据隐私安全。
-
公开(公告)号：CN118447274A
公开(公告)日：2024-08-06
申请号：CN202410159817.7
申请日：2024-02-04
Applicant: 哈尔滨理工大学
Abstract: 本发明双支路加权融合血管结构增强的血管特征点提取匹配方法属于医学数字图像处理技术领域；利用自适应阈值生成二进制掩码图像，以抑制各类内腔环境边界区域噪声影响；利用阈值判断及FMM方法进行高光修复，以抑制边界区域和高光区域的影响；设计双支路Frangi测度与MFAT的高斯加权融合血管结构单像素化增强算法，补偿Frangi增强方法对静脉血管和微细血管的结构化测度差异和不均匀响应，为血管特征提取提供有效结构信息；引入SSIM指标实现自适应高斯加权融合；设置双圆周检测血管特征增加其对于不同尺度血管结构的适应性，引入非极大值抑制减少冗余，对前后帧结果邻域块计算ZSSD进行匹配。
-
Patent Agency Ranking
公开(公告)号：CN115508108B
公开(公告)日：2024-05-28
申请号：CN202211235862.3
申请日：2022-10-10
Applicant: 哈尔滨理工大学
IPC: G01M17/007 , B07C5/34 , B07C5/36 , B07C5/38
Abstract: 本发明属于回力车测试技术领域，尤其涉及一种回力车连续测试装置及测试方法，所述的测试装置，包括：测试台、入口车道、螺旋车道、出口车道、转筒、无动力传送带、翻板和测试区，入口车道从螺旋车道的一端接入，螺旋车道的另一端设置有翻板，所述翻板在翻转后能够接入出口车道的一端，出口车道的另一端接入测试区，回力车进入螺旋车道，回力车底部的车轮在螺旋车道上滑动蓄力，在回力车滑动至螺旋车道末端的翻板处后，翻板转动带着回力车接入出口车道，回力车驶入测试区进行测试；避免了手动抓取、拖动蓄力、释放和观察行驶状态的过程，实现回力车的自动质量检测，减小了工作量，提高了质检效率。
-
公开(公告)号：CN117611908A
公开(公告)日：2024-02-27
申请号：CN202311643409.0
申请日：2023-12-02
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V20/10 , G06V10/80 , G06V10/774 , G06V10/82
Abstract: 本发明天空地一体化大场景高光谱遥感图像的农作物精准分类属于图像分类技术领域；在大场景下通过迁移学习的方法，学习源域数据和有标签的目标域数据，对无标签的目标域数据分类。大场景下高光谱遥感数据的农作物精准分类方法依次执行：先对数据集划分后，将训练集和测试集分别送入结合注意力机制改进的残差网络(ResNet Combined with Attention，RCA)和多尺度融合模块(Multi‑scale Block)进行浅层和深度特征提取；将提取的特征聚类映射后通过集成分类器和域鉴别器得到分类结果。本发明利用改进的残差网络和多尺度融合模块构成特征提取网络，并通过映射迭代，减少频谱偏移，提高了大场景下高光谱图像农作物分类的精度，为后续研究以及相关应用提供新的参考思路。
-
公开(公告)号：CN116012637A
公开(公告)日：2023-04-25
申请号：CN202211416606.4
申请日：2022-11-13
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06N3/0464 , G06N3/09 , G06V10/58 , G06V10/77 , G06V10/774 , G06V10/82
Abstract: 本发明基于对比学习双编码器的高光谱和LiDAR联合分类属于图像分类技术领域；该方法依次执行以下步骤：步骤a、输入待分类的高光谱图像(HSI)和LiDAR的DSM数据；步骤b、对HSI和LiDAR数据进行patch提取，形成各自的训练、验证和测试样本；步骤c、用阶段性训练方式，对HSI、LiDAR编码器阶段性进行分类训练，得到预训练模型；步骤d、对HSI‑LiDAR联合分类器的编码器进行参数初始化，针对HSI‑LiDAR联合分类器的对比学习分支，进行对比学习。步骤e、对HSI‑LiDAR联合分类器进行联合分类训练，得到联合分类结果；本发明通过从不同传感器获取的图像数据中充分挖掘光谱空间特征及深度信息进行高光谱和LiDAR的联合分类，通过自监督对比学习，实现多传感器遥感数据优势互补，提高了分类精度。
-
公开(公告)号：CN114896169A
公开(公告)日：2022-08-12
申请号：CN202210677415.7
申请日：2022-06-15
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于联邦原型学习的异构软件缺陷预测方法，该方法包括：联邦参与方对度量元数据使用单边选择OSS(One‑Sided Selection)方法去除异常样本点；对去除异常样本点后的度量元数据进行缺陷率统计获得特征数据；利用卡方检验(chi‑square test)方法对特征数据筛选获得最优特征子集；将最优特征子集输入本地模型，生成预测标签和同类样本嵌入向量均值表示的局部原型；服务器对局部原型平均聚合得到全局原型，并将全局原型返回参与方；参与方利用全局原型正则化局部模型参数；利用测试样本的嵌入向量与全局原型的最短欧氏距离进行分类，获得分类结果。本发明在软件缺陷预测领域存在数据孤岛的背景下，以联邦学习和原型学习为理论基础，采用OSS方法去除异常样本点和卡方检验特征选择方法，在实现联邦通信过程中的数据隐私保护的基础上，有效提高软件缺陷预测模型的分类精度。
-
公开(公告)号：CN219031434U
公开(公告)日：2023-05-16
申请号：CN202223526205.2
申请日：2022-12-29
Applicant: 哈尔滨理工大学
Abstract: 本实用新型涉及电梯技术领域，且公开了一种降噪的电梯结构，包括轿厢机构和清理机构，所述轿厢机构外部设置有清理机构；所述轿厢机构包括轿厢本体、导向座、静音轮、隔音板、防火面板和清理挡板，所述轿厢本体外侧固定连接有导向座，所述导向座外侧一端内部安装有静音轮，所述轿厢本体内部设置有隔音板。该降噪的电梯结构，通过收集罩罩在滚刷外部，吸尘器通过吸尘管将滚刷刷除的污物吸走，防止清除的异物飞溅再落到导轨表面，保证清理效果，从而避免导轮在对导轨上移动时因为轨道行异物，导致撞击和振动，从而降低轿厢运行的噪音。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.038 seconds)
