-
公开(公告)号：CN107492084B
公开(公告)日：2021-06-25
申请号：CN201710544900.6
申请日：2017-07-06
Applicant: 哈尔滨理工大学
Abstract: 基于随机性的成团细胞核图像合成方法，本发明涉及DNA倍体分析技术中，由于成团细胞核图像稀少导致细胞分类正确率急剧下降的问题。细胞DNA倍体分析技术是一种自动化的病理诊断技术，准确识别各类细胞图像是这一技术的关键。然而，重叠细胞核的训练样本稀少（训练集失衡）导致重叠细胞核图片的识别率较低。为解决这一问题，本发明提出了一种合成重叠细胞图像的方法。该方法采用样本选择使合成的样本更具有代表性；引入随机性控制合成源图像的随机旋转角度和随机重叠程度；根据朗伯比尔定律重构重叠部分的像素，使合成的样本更接近真实样本；最后将合成的样本用于模型训练。本发明应用于解决重叠细胞核的训练样本稀少（训练集失衡）问题。
-
公开(公告)号：CN112906982A
公开(公告)日：2021-06-04
申请号：CN202110299587.0
申请日：2021-03-22
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于GNN‑LSTM结合的网络流量预测方法，该方法属于网络流量预测领域，首先加载真实网络流量数据集，并对数据集进行标准归一化处理，然后将网络流量数据进行划分训练集和测试集，构建基于图神经网络和长短期记忆神经网络结合的模型，其中图神经网络学习网络拓扑结构，提取网络流量的空域特征，然后将具有空域作为长短期记忆神经网络输入，学习网络流量的时域变化规律，提取网络流量的时域特征，在LSTM模型中进行基于Adam优化算法进行迭代训练，得到训练好的模型，最后输入测试集数据进行预测，输出的序列是基于GNN‑LSTM的预测结果，每项序列生成概率都受多个历史的流量序列的影响，能够更好的提取网络流量的时空特性，流量预测更加精确。
-
公开(公告)号：CN112580701A
公开(公告)日：2021-03-30
申请号：CN202011428994.9
申请日：2020-12-09
Applicant: 哈尔滨理工大学
Abstract: 一种基于分类变换扰动机制的均值估计方法及装置，属于信息安全技术领域，该机制采用了数据变换扰动的方式，将数值型数据划分变换范围并进行分段，根据分段将其变换为一维二元分类数据；对转换后的数据使用随机响应机制进行扰动，再根据扰动后的数据标识的数值段从中随机均匀抽取数值作为扰动值；与其他方法相比，该方法在满足本地差分隐私机制的同时，在数据分析任务如均值估计中能获得较高的数据效用性，得到的模型的分类准确性要更高，性能要更好。
-
公开(公告)号：CN111461256A
公开(公告)日：2020-07-28
申请号：CN202010334192.5
申请日：2020-04-24
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 一种基于低秩表示的判别特征子空间学习方法，通过使用低秩约束来构造用于特征学习的判别性表示项，将非负低秩表示系数作为衡量子空间结构相似性的约束引入到用于分类的学习模型中，促进模型自适应性和鲁棒性；此外，通过将特征子空间学习模型和低秩表示模型放入统一的框架中，可以在迭代期间彼此促进以获得整体最优；还包含基于类别标签信息的线性回归项以增强投影的特征，并且使相同类别的样本靠近同一聚类中心，不同类别的聚类中心相互远离，采用迭代数值方案来解决目标函数并保证收敛；同时，引入岭回归约束项，解决实际应用中无法预先知道噪声类型的问题；本发明与其他方法相比，识别率更高，性能更加稳健。
-
公开(公告)号：CN110782460A
公开(公告)日：2020-02-11
申请号：CN201910911292.7
申请日：2019-09-25
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于FCM融合改进蝙蝠算法的图像分割方法，该方法属于图像处理技术领域。FCM算法在算法初始化时需要认为设定聚类数、随机初始化聚类中心，致使该算法容易陷入局部最优值。为解决此类问题，本方法利用一种新的改进蝙蝠仿生算法与FCM算法相结方式。用改进的蝙蝠算法得到全局最优解来初始化FCM的聚类中心，解决了FCM算法对初始聚类中心敏感的问题。改进蝙蝠模糊聚类算法耗时少，分割结果准确。
-
Patent Agency Ranking
公开(公告)号：CN110619367A
公开(公告)日：2019-12-27
申请号：CN201910891895.5
申请日：2019-09-20
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明的实施方式提供了一种联合低秩约束跨视角判别子空间学习方法及装置。上述方法包括：定义双低秩判别子空间学习式的目标函数；采用有监督的正则化项作为强约束条件，目标函数重新拟定；增加联合异构正则化项将目标函数重新拟定；将图像数据集分成测试集和训练集；利用训练集求解出目标函数值最小化时各个变量的值；目标函数求解后得到特征子空间；通过所述特征子空间投影测试集，得到数据集里所有类别图像的所有特征，最终通过分类器得到所述数据集的识别率。本发明联合异构正则化项作为约束来构造用于特征学习的判别项，其能够将样本的同构和异构信息投影到子空间来用于图像识别和分类任务的判别学习模型中，促进模型自适应性和鲁棒性。
-
公开(公告)号：CN104050242B
公开(公告)日：2018-03-27
申请号：CN201410228055.8
申请日：2014-05-27
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于最大信息系数的特征选择、分类方法及其装置，所述特征选择方法包括：S1，基于互信息准则将原始特征进行排序，将相关度低于阈值的特征删除，并将所述相关度高于阈值的特征形成初始特征子集；S2，计算在所述初始特征子集中的特征之间的最大信息系数；S3，根据所述最大信息系数，删除所述初始特征子集中的冗余特征，得到低维特征子集。本发明所述的特征选择方法通过使用互信息以及最大信息系数的方式进行特征选择，从而去除冗余特征，降低了数据的维度。
-
公开(公告)号：CN107492084A
公开(公告)日：2017-12-19
申请号：CN201710544900.6
申请日：2017-07-06
Applicant: 哈尔滨理工大学
CPC classification number: G06T5/50 , G06T7/13 , G06T7/136 , G06T2207/20221 , G06T2207/30004
Abstract: 基于随机性的成团细胞核图像合成方法，本发明涉及DNA倍体分析技术中，由于成团细胞核图像稀少导致细胞分类正确率急剧下降的问题。细胞DNA倍体分析技术是一种自动化的病理诊断技术，准确识别各类细胞图像是这一技术的关键。然而，重叠细胞核的训练样本稀少（训练集失衡）导致重叠细胞核图片的识别率较低。为解决这一问题，本发明提出了一种合成重叠细胞图像的方法。该方法采用样本选择使合成的样本更具有代表性；引入随机性控制合成源图像的随机旋转角度和随机重叠程度；根据朗伯比尔定律重构重叠部分的像素，使合成的样本更接近真实样本；最后将合成的样本用于模型训练。本发明应用于解决重叠细胞核的训练样本稀少（训练集失衡）问题。
-
公开(公告)号：CN120012855A
公开(公告)日：2025-05-16
申请号：CN202510077022.6
申请日：2025-01-17
Applicant: 哈尔滨理工大学
IPC: G06N3/08 , G06N3/0464 , G06N3/049
Abstract: 一种用于标签噪声图像处理的卷积神经网络训练方法、电子设备及存储介质，属于标签噪声图像处理技术领域。为提升训练过程的稳定性和改善标签噪声过滤性能，本发明引入了时间平均神经网络，生成更为稳定的样本权重，提升训练过程的稳定性和改善标签噪声过滤性能。针对识别出的噪声数据集，本发明利用时间平均神经网络进行标签修正，由于解耦了深度神经网络和标签噪声修正部分的相互影响，从而提升了标签噪声修正方法的稳定性。整体而言，本发明有效提升了模型在带有噪声标签数据上的鲁棒性和泛化能力。与传统方法相比，本发明在处理标签噪声问题时，表现出显著的优越性。
-
公开(公告)号：CN119721039A
公开(公告)日：2025-03-28
申请号：CN202411839124.9
申请日：2024-12-13
Applicant: 哈尔滨理工大学
IPC: G06F40/295 , G06F16/35 , G06F40/30 , G06N3/098
Abstract: 本发明公开了基于类型引导交互的多模态命名实体识别方法和系统、电子设备及计算机可读存储介质，属于多模态命名实体识别技术领域。解决了现有技术中传统的多模态命名实体识别方法因模型难以捕获模态间语义的对应关系导致的识别结果不准确的问题；本发明通过图文对层级提取模块和实体类别提取模块，提取特征；通过类别引导的注意力模块，生成实体类别引导的文本和视觉表示以及增强的实体类别表示；通过基于注意力机制的跨模态层级交互模块，生成对实体类别敏感性强的多模态表示；通过带有类型引导单模态辅助任务的联合学习模块，生成图像文本对的预测序列。本发明有效提升了对图像和文本的识别精度，可以应用于识别和提取命名实体。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.025 seconds)
