-
公开(公告)号：CN114429565A
公开(公告)日：2022-05-03
申请号：CN202210018149.7
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/771 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明一种基于跨场景自适应学习的高光谱图像分类方法属于图像处理技术领域；该方法依次执行输入待分类的原始高光谱数据集、对输入的高光谱图像原始数据集进行划分、对SD和TD进行特征提取，输入至改进的深度可分离嵌入模型，获得每层输出的特征图、将深度可分离嵌入模型的输出进行聚类、将聚类后的输入样本输入到判别器模型中，并区分SD和TD，获得只含有TD的嵌入空间、通过改进的加权K近邻分类器WKNN进行分类；本发明可以减少分类模型对样本的依赖，并增强模型对数据类别不平衡问题的处理能力，明显提高了分类精度，为实现小样本或无样本情况下高光谱图像精准分类的研究以及工程应用提供新的思路。
-
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：CN114898217B
公开(公告)日：2025-04-15
申请号：CN202210677414.2
申请日：2022-06-15
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于神经架构搜索的高光谱图像分类方法，属于图像分类技术领域，该方法依次执行以下步骤：输入高光谱图像(HSI)，利用滑动窗口裁剪为32×32像素的样本并划分训练样本、验证样本和测试样本；利用6种预设操作构建神经架构搜索(NAS)的空间，将训练样本输入该空间；利用梯度算法的搜索策略搜索出候选网络结构，搜索过程中利用β‑衰减对体系结构参数进行正则化；使用置信学习率进行结构梯度权重更新；将搜索到的预设操作组成基础单元，并连接构成最优神经网络架构；利用最优神经网络架构对HSI进行分类，获取分类结果。本发明是基于神经网络搜索的高光谱图像分类方法，在包含6种预设操作构建的搜索空间中进行最优架构的搜索，并利用β‑衰减正则化提高了NAS的泛化能力，利用置信学习率提高了NAS运算速度，同时减轻了过拟合现象，有效的提高了高光谱图像的分类精度，为后续神经架构搜索算法在高光谱图像分类研究以及相关应用提供了良好思路。
-
Patent Agency Ranking
公开(公告)号：CN116994093A
公开(公告)日：2023-11-03
申请号：CN202310968428.4
申请日：2023-08-02
Applicant: 哈尔滨理工大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 本发明基于对偶图卷积神经网络的高光谱图像分类方法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，并使用主成分分析方法去除光谱冗余；步骤b、利用不同窗口尺寸的滑窗进行裁剪，将去除光谱冗余的高光谱图像划分为训练样本、验证样本和测试样本；步骤c、将训练样本输入到残差连接和深度可分离卷积构造的DPRN(Deep Pyramidal Residual Networks,深度金字塔残差网络)，进行浅层特征提取；步骤d、将提取的浅层特征输入DGCN(Dual Graph Convolutional Network,对偶图卷积网络)中，利用对偶图结构进一步提取深层特征；步骤e、采用随机梯度下降法进行模型参数训练，将深层特征输入softmax层得到分类结果；本发明利用对偶图卷积网络充分提取了高光谱图像的光谱‑空间维度信息，提高了高光谱图像的分类精度。
-
公开(公告)号：CN114429565B
公开(公告)日：2024-11-26
申请号：CN202210018149.7
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/771 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明一种基于跨场景自适应学习的高光谱图像分类方法属于图像处理技术领域；该方法依次执行输入待分类的原始高光谱数据集、对输入的高光谱图像原始数据集进行划分、对SD和TD进行特征提取，输入至改进的深度可分离嵌入模型，获得每层输出的特征图、将深度可分离嵌入模型的输出进行聚类、将聚类后的输入样本输入到判别器模型中，并区分SD和TD，获得只含有TD的嵌入空间、通过改进的加权K近邻分类器WKNN进行分类；本发明可以减少分类模型对样本的依赖，并增强模型对数据类别不平衡问题的处理能力，明显提高了分类精度，为实现小样本或无样本情况下高光谱图像精准分类的研究以及工程应用提供新的思路。
-
公开(公告)号：CN114898217A
公开(公告)日：2022-08-12
申请号：CN202210677414.2
申请日：2022-06-15
Applicant: 哈尔滨理工大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于神经架构搜索的高光谱图像分类方法，属于图像分类技术领域，该方法依次执行以下步骤：输入高光谱图像(HSI)，利用滑动窗口裁剪为32×32像素的样本并划分训练样本、验证样本和测试样本；利用6种预设操作构建神经架构搜索(NAS)的空间，将训练样本输入该空间；利用梯度算法的搜索策略搜索出候选网络结构，搜索过程中利用β‑衰减对体系结构参数进行正则化；使用置信学习率进行结构梯度权重更新；将搜索到的预设操作组成基础单元，并连接构成最优神经网络架构；利用最优神经网络架构对HSI进行分类，获取分类结果。本发明是基于神经网络搜索的高光谱图像分类方法，在包含6种预设操作构建的搜索空间中进行最优架构的搜索，并利用β‑衰减正则化提高了NAS的泛化能力，利用置信学习率提高了NAS运算速度，同时减轻了过拟合现象，有效的提高了高光谱图像的分类精度，为后续神经架构搜索算法在高光谱图像分类研究以及相关应用提供了良好思路。
-
公开(公告)号：CN216561589U
公开(公告)日：2022-05-17
申请号：CN202122565933.3
申请日：2021-10-25
Applicant: 哈尔滨理工大学
Abstract: 本实用新型公开了一种基于计算机视觉图像分类处理的终端设备，涉及终端设备技术领域，括机体，机体的上端设置有操作键盘，且机体的上端位于操作键盘的正上方设置有消毒组件，机体的顶端设置有显示屏，机体的上表面边缘处位于操作键盘的一侧嵌入有多个红外感应器，机体的底端连接有底座组件，底座组件的内部安装有驱动组件，底座组件的底部边缘处安装有两组移动组件；通过消毒组件对覆盖在操作键盘上的透明防护膜进行更换处理，并且可以实现透明防护膜的重复覆盖，且配合消毒灯的应用，可以提高透明防护膜的清洁性，避免多人使用操作键盘，容易操作细菌病毒的交叉感染。
-
公开(公告)号：CN216539692U
公开(公告)日：2022-05-17
申请号：CN202122734556.1
申请日：2021-11-09
Applicant: 哈尔滨理工大学
Abstract: 本实用新型涉及显示屏技术领域，且公开了一种计算机图像视觉处理专用显示屏，包括底座，所述底座的顶部固定连接有支撑杆，所述支撑杆的顶端固定连接有安装框，所述安装框的内表面螺纹连接有显示屏幕，所述安装框顶部的内表面上通过连接弹簧固定连接有位于显示屏幕正面的清理刷。本实用新型通过施力把手可以快速的将清理刷拉下，通过清理刷对显示屏幕的表面进行快速擦拭的作用，通过从动齿块和牵引齿轮的定位和复位弹簧对清理刷的复位，进而达到在使用者需要清理显示屏幕表面尘土时可快速进行尘土清理工作的效果，从而达到提升使用者对计算机使用效率和质量的效果。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.025 seconds)
