-
公开(公告)号：CN116630376A
公开(公告)日：2023-08-22
申请号：CN202310657940.7
申请日：2023-06-06
Applicant: 哈尔滨理工大学
Abstract: 一种基于ByteTrack多目标跟踪算法的解决方案。为了应对预测轨迹不完整的问题，设计了一个全尺度卷积神经网络（OSNet）学习外观特征并计算外观相似度，从而增强模型的重识别能力。同时，采用ByteTrack数据关联算法来对检测框和跟踪轨迹之间的相似性进行评估和区分，将高分框和低分框进行分类处理，以解决由观测丢失（遮挡或不可靠的检测）导致的轨迹预测问题，从而提高跟踪轨迹的完整性。针对检测目标缺失可能导致的误差积累问题，在重新关联非活动轨迹与检测到的目标的框架中。并提出一种在线平滑滤波(OOS)方法，该方法为目标对象构建一条虚拟轨迹，从跟踪丢失之前的最后一个检测点开始，到新匹配到的检测结束，通过平滑卡尔曼滤波器参数对轨迹进行处理，以获得更准确的目标位置估计。
-
公开(公告)号：CN114613514A
公开(公告)日：2022-06-10
申请号：CN202210244298.5
申请日：2022-03-14
Applicant: 哈尔滨理工大学
Abstract: 本发明属于数据挖掘领域，具体涉及一种基于SVM和混合采样算法的乳腺癌生存预测系统。首先从美国权威的癌症数据库(SEER数据库)中提取到需要的乳腺癌生存数据，再对数据进行预处理，将处理好的数据放入混合采样算法中，利用支持向量机对数据建模预测，最后和其他的算法进行对比，评估提出的系统的预测效果。本发明可以根据患者的生存数据特征自动预测患者5年的生存状况，降低了因医生疲劳、判断失误或经验不足的影响，同时帮助医生制定随访策略。
-
公开(公告)号：CN114898869A
公开(公告)日：2022-08-12
申请号：CN202210619505.0
申请日：2022-06-04
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于改进的AdaBoost的乳腺癌生存预测方法，该方法包括以下步骤：数据输入模块、数据预处理模块、AdaBoost训练模块、AdaBoost测试模块、乳腺癌生存预测模块，利用训练好的AdaBoost模型作为最终应用模型，用于乳腺癌的生存状况预测。与现有的相关技术相比，本发明中AdaBoost算法中弱分类器的加权参数不但与错误率有关，还与其对正样本的识别能力有关，改变弱分类器的权重值，同时采用一种弱分类器相似度度量方式，对弱分类器进行选择性集成，组合成强分类器，提高了分类的性能，提高了分类的性能。
-
公开(公告)号：CN101834717B
公开(公告)日：2013-06-12
申请号：CN201010152456.1
申请日：2010-04-22
Applicant: 哈尔滨理工大学
IPC: H04L9/00
Abstract: 本发明公开了一种可扩展精度Logistic混沌序列的并行计算方法，其步骤为：(1)初始参数x0、μ整数量化保存到一维数组中，设定要求达到的精度或者指定迭代的次数；(2)并行计算算法第一部分：x＝x×(1-x)，利用矩阵保存计算中间结果，修改动态数组的长度，保存计算结果在动态数组中；(3)并行计算算法第二部分：x＝μ×x，保存计算结果在动态数组中；(4)如果精度或者迭代次数达到要求的值，动态数组中即为得到混沌序列，计算结束；否则，转到(2)。本发明充分利用了混沌系统的特性，提供更加扩大的映射空间的混沌序列。可用于保密通信、信息安全等领域，特别适合于图形图像、多媒体等信息的加密存储和网络传输。
-
公开(公告)号：CN116628164A
公开(公告)日：2023-08-22
申请号：CN202310608297.9
申请日：2023-05-27
Applicant: 哈尔滨理工大学
IPC: G06F16/332 , G06F16/33 , G06F40/30 , G06F17/18 , G06N3/0442 , G06N3/084 , G06N3/0455 , G06N3/096
Abstract: 一种难度可控的问题生成数据增强方法，本方法涉及自然语言处理技术，该方法是在问答生成任务分解为答案的序列标注任务和问题的生成任务两部分，答案合成模块和问题合成模块。然后，在问题合成模块中增加一个多跳推理模块。该模块可根据问题的语义，生成指示向量控制多跳推理过程，基于指示向量逐步更新图中节点表示，双向推理中间增加自我监控信号，生成当前推理中各实体分布。最后，通过学习到的中间实体分布改进自己，奖励机制以达到难度可控的效果。与其他方法相比，本方法可根据需求灵活地调整难度参数，生成具有不同难度的问题达到数据增强。
-
Patent Agency Ranking
公开(公告)号：CN113362307B
公开(公告)日：2023-03-28
申请号：CN202110633595.4
申请日：2021-06-07
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种RGB‑D图像显著性检测方法，包括如下步骤：1.RGB图像和深度图像分别输入到舍去全连接层和池化层的Resnet50主干网络中，提取每层的RGB特征和深度特征；2.各层深度特征输入到相应的深度改进模块中，得到的深度改进特征与RGB特征经过卷积、激活等融合操作后形成各层的混合特征；3.混合特征从高层到底层两两组合，分别通过特征分组监督融合模块，得到各层显著图，其中，在每个特征分组监督融合模块中都加入上一层输出的显著图和真值图进行监督，最终经过迭代优化以第4层级输出的显著图作为最终结果显著图。本发明有效抑制了低质量深度特征的噪声干扰，对特征进行了高质量的充分融合，能够生成完整准确的显著图，具有较好的检测性能。
-
公开(公告)号：CN114970704A
公开(公告)日：2022-08-30
申请号：CN202210548260.7
申请日：2022-05-25
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于随机欠采样的改进SMOTE方法。首先基于KNN算法计算不平衡样本中少数类的K近邻，将K近邻都是多数类的少数类样本，视为噪声样本，并将非噪声样本保留，形成新的少数类样本。而后利用随机欠采样算法处理的多数类样本，将多数类样本的数量控制在总体样本的二分之一，最后使用SMOTE方法获得平衡数据。本发明提出的基于随机欠采样的改进SMOTE方法相比传统的处理类失衡方法在从SEER数据库提取的6个公开数据集中表现最好。
-
公开(公告)号：CN113362307A
公开(公告)日：2021-09-07
申请号：CN202110633595.4
申请日：2021-06-07
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种RGB‑D图像显著性检测方法，包括如下步骤：1.RGB图像和深度图像分别输入到舍去全连接层和池化层的Resnet50主干网络中，提取每层的RGB特征和深度特征；2.各层深度特征输入到相应的深度改进模块中，得到的深度改进特征与RGB特征经过卷积、激活等融合操作后形成各层的混合特征；3.混合特征从高层到底层两两组合，分别通过特征分组监督融合模块，得到各层显著图，其中，在每个特征分组监督融合模块中都加入上一层输出的显著图和真值图进行监督，最终经过迭代优化以第4层级输出的显著图作为最终结果显著图。本发明有效抑制了低质量深度特征的噪声干扰，对特征进行了高质量的充分融合，能够生成完整准确的显著图，具有较好的检测性能。
-
公开(公告)号：CN113052859A
公开(公告)日：2021-06-29
申请号：CN202110426049.3
申请日：2021-04-20
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及基于自适应种子点密度聚类超像素分割方法，主要包括以下步骤：首先，对输入图像进行预处理操作，将图像划分为若干个大致相同的子图像块，然后利用区域生长法在子图像块上寻找最大内接圆中心，以此来自适应获得种子点的位置，再以选出的种子点为中心根据自适应种子点密度聚类依次向外聚类，以种子点布满整张图像为结束条件，从而生成初始的超像素。其次，用空间限制的k‑medoids方法对子图像块进一步聚类，进一步更新种子点。最后再清理未被处理的异常像素点。本发明首次将自适应种子点和密度聚类相结合引入超像素分割中，以此来生成形状更加规则和边界贴合度更佳的超像素。
-
公开(公告)号：CN101834717A
公开(公告)日：2010-09-15
申请号：CN201010152456.1
申请日：2010-04-22
Applicant: 哈尔滨理工大学
IPC: H04L9/00
Abstract: 本发明公开了一种可扩展精度Logistic混沌序列的并行计算方法，其步骤为：(1)初始参数x0、μ整数量化保存到一维数组中，设定要求达到的精度或者指定迭代的次数；(2)并行计算算法第一部分：x＝x×(1-x)，利用矩阵保存计算中间结果，修改动态数组的长度，保存计算结果在动态数组中；(3)并行计算算法第二部分：x＝μ×x，保存计算结果在动态数组中；(4)如果精度或者迭代次数达到要求的值，动态数组中即为得到混沌序列，计算结束；否则，转到(2)。本发明充分利用了混沌系统的特性，提供更加扩大的映射空间的混沌序列。可用于保密通信、信息安全等领域，特别适合于图形图像、多媒体等信息的加密存储和网络传输。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
