-
公开(公告)号：CN111144423A
公开(公告)日：2020-05-12
申请号：CN201911369736.5
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多尺度光谱特征提取方法，属于遥感数据特征提取技术领域。为了解决现有基于卷积神经网络高光谱遥感数据的光谱特征提取尺度单一的问题，同时解决高光谱遥感数据的高维度信号造成的维数灾难的问题。本发明中以每个尺度值减一后的值与对应的分组数的乘积相等为原则，直接将高维的高光谱向量信号在光谱波段维度上等分成若干组，每个尺度利用多个不同的滤波器对每段高维的高光谱向量信号进行单独的一维常规卷积操作，通过若干组操作实现快速降低光谱向量的特征维度。本发明适用于高光谱遥感数据的多尺度光谱特征提取。
-
公开(公告)号：CN111144423B
公开(公告)日：2023-05-05
申请号：CN201911369736.5
申请日：2019-12-26
Applicant: 哈尔滨工业大学
IPC: G06V10/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法，属于遥感数据特征提取技术领域。为了解决现有基于卷积神经网络高光谱遥感数据的光谱特征提取尺度单一的问题，同时解决高光谱遥感数据的高维度信号造成的维数灾难的问题。本发明中以每个尺度值减一后的值与对应的分组数的乘积相等为原则，直接将高维的高光谱向量信号在光谱波段维度上等分成若干组，每个尺度利用多个不同的滤波器对每段高维的高光谱向量信号进行单独的一维常规卷积操作，通过若干组操作实现快速降低光谱向量的特征维度。本发明适用于高光谱遥感数据的多尺度光谱特征提取。
-
公开(公告)号：CN118411647A
公开(公告)日：2024-07-30
申请号：CN202410448620.5
申请日：2024-04-15
Applicant: 哈尔滨工业大学
IPC: G06V20/40 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/75 , G06V10/82
Abstract: 一种基于两阶段训练和多视图自标注策略的开放世界目标检测方法，它属于计算机视觉中的目标检测技术领域。本发明解决了现有基于封闭世界假设设计的目标检测方法会对真值标签不存在的未知新类别造成误检、漏检的问题。本发明基于基础模型Deformable‑DETR引入一个类别不可知的二分类头，并提出两阶段的模型训练方法。第一阶段，二分类头将所有预测输出二分类为前景或者背景；第二阶段，提出多视图自标注策略和一致性约束方法，基于当前已知类别的数据集微调模型的投影层、分类头和二分类头的参数，冻结其他类别不可知模块的参数。训练好的模型可以对已知类别的目标进行正确分类，并将未知类别的目标识别出来。本发明方法可以应用于开放世界目标检测。
-
公开(公告)号：CN111461172A
公开(公告)日：2020-07-28
申请号：CN202010144828.X
申请日：2020-03-04
Applicant: 哈尔滨工业大学
Abstract: 基于二维点组卷积的高光谱遥感数据的轻量级特征融合方法，属于遥感数据特征提取技术领域。本发明是为了解决现有基于深度学习的高光谱遥感数据特征融合方法需要大量的融合参数问题。本发明所述方法针对征融合前的处理过程处理后得到的特征，进行二维点组卷积操作；二维点组卷积的过程中，首先将融合前的特征先分成若干个组，然后每组各自单独进行特征融合，融合后的特征为每组的局部特征；对每层融合后的局部特征进行洗牌，使得洗牌后的每组特征来自于洗牌前各组的局部特征；对洗牌后的特征再进行二维点组卷积操作，进行特征融合，此时融合后的特征为全局特征。本发明用于高光谱遥感数据的特征融合。
-
公开(公告)号：CN109753946A
公开(公告)日：2019-05-14
申请号：CN201910063682.3
申请日：2019-01-23
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于身体关键点监督的真实场景行人小目标检测网络及检测方法，属于计算机视觉行人检测技术领域。所述检测网络包括超分辨率网络、关键点检测网络和行人分类网络：所述检测方法首先准备训练样本，然后，利用基准行人检测器产生候选区域图像，通过超分辨率网络生成与低分辨率图像对应的高分辨率图像，根据行人身体关键点来监督训练超分辨率网络，最后利用行人分类网络判定输入的图像是真实的高分辨率图像还是超分辨率网络生成的超分辨率图像，同时实现与超分辨率网络的对抗训练，以及用于判定输入的图像是行人图像还是背景图像，进而完成真实场景中行人小目标的检测。使用所述方法可以实现真实场景中的微小行人检测。
-
Patent Agency Ranking
公开(公告)号：CN118781434A
公开(公告)日：2024-10-15
申请号：CN202410997246.4
申请日：2024-07-24
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06N3/0455 , G06N3/0464 , G06V10/80
Abstract: 一种基于流式感知的在线目标检测方法，属于自动驾驶中基于计算机视觉的物体检测技术领域。本发明针对现有目标检测模型的计算量大并且不能准确检测变化环境中连续目标物体的问题。包括对当前帧图像采用目标检测模型进行检测获得当前帧检测结果；结合前一帧检测结果进行关联帧损失的计算，并调整目标检测模型的模型参数，得到训练后目标检测模型；将训练后目标检测模型用于车辆行驶过程中的在线目标检测；所述目标检测模型包括特征编码加速模块、混合查询选择模块和解码层；将前一帧检测结果通过投影模块投影到当前帧检测结果上，根据当前帧检测结果和前一帧检测结果的投影计算得到关联帧损失。本发明用于自动驾驶中在线目标检测。
-
公开(公告)号：CN118570526A
公开(公告)日：2024-08-30
申请号：CN202410639659.5
申请日：2024-05-22
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/766 , G06T9/00
Abstract: 一种基于区域感知与测试时自适应的弱监督物体检测方法，属于计算机视觉中的物体检测技术领域。本发明针对现有弱监督检测中过多的候选区域造成计算复杂度高，并且保留高分类分数候选区域易造成区域内检测物体不完整的问题。包括采用区域感知框架获得初步完整目标候选区域：基于初级候选区域与原始图像特征图获得初级候选区域空间特征图；再得到高维非线性特征，进而得到区域嵌入；结合类别嵌入获得相似度图，再确定初步完整目标候选区域；再采用弱监督检测器进行目标位置预测，获得检测目标的查询区域和键区域；查询区域与键区域再经过无监督对比学习模块的融合过程得到物体检测结果。本发明用于训练数据标注信息稀缺情况下的物体检测。
-
公开(公告)号：CN118247488A
公开(公告)日：2024-06-25
申请号：CN202410448616.9
申请日：2024-04-15
Applicant: 哈尔滨工业大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 一种基于知识蒸馏和样本重放的连续开放世界目标检测方法，它属于计算机视觉中的目标检测技术领域。本发明解决了现有对真值标签不存在的未知新类别造成误检、漏检，对之前已知类别的灾难性遗忘问题。本发明为基础模型Deformable‑DETR新引入一个类别不可知的二分类头，将全部已知类别的目标划分为T个任务，针对每个任务分别进行两阶段训练。第一阶段为预训练，二分类头将所有预测输出二分类为前景或者背景，促进模型学习无偏特征。第二阶段为训练，基于当前已知类别的数据集微调模型的投影层、分类头和二分类头的参数，冻结其他类别不可知模块的参数，并基于知识蒸馏和样本重放技术缓解模型对已知类别的灾难性遗忘问题。本发明方法可以应用于开放世界目标检测。
-
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：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。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.018 seconds)
