-
-
公开(公告)号：CN117237900A
公开(公告)日：2023-12-15
申请号：CN202311410753.5
申请日：2023-10-28
Applicant: 哈尔滨理工大学
IPC: G06V20/56 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于YOLOV5改进的目标检测方法SSC‑YOLOV5，针对自动驾驶领域中传统目标检测模型存在的对于行人、非机动车、受遮挡车辆等小目标检测精度低的问题。该算法主要步骤包括：S1：获取自动驾驶领域数据集KITTI并对其进行类别重新划分得到新的数据集。S2：在YOLOV5的骨干网络中添加Swin‑transformer模块，通过多头自注意力和分层结构，可以有效地捕获图像中的依赖关系和上下文信息。使用SPPFCSPC模块代替SPPF，从而增大感受野，以便检测不同的目标。S3：引入轻量级上采样算子CARAFE，减少上采样过程中特征信息的损失。S4：将SSC‑YOLOV5与YOLOV5S的实验结果进行对比。实验结果表明，与YOLOV5S相比，SSC‑YOLOV5在检测精度上相比有一定的优势，改进后的算法适用于复杂交通场景下的目标检测任务。
-
公开(公告)号：CN115526314A
公开(公告)日：2022-12-27
申请号：CN202211373645.0
申请日：2022-11-03
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种结合空间均分思想与定向变异改进的烟花算法。本发明针对烟花算法对解决离散调度的问题效果不佳的情况，提出一种结合空间均分思想和定向变异改进的云计算任务调度算法。算法首先将多维解空间映射到三维空间，随后在三维空间尽可能选取空间中均匀的点作为初始群体中的个体，减少初始化的选取存在随机性，以使得避免爆炸过程中最优解的丢失。在烟花变异阶段，由于高斯变异应用于离散的调度问题所产生的结果并不好，于是采用定向随机变异替代高斯变异，并且对每代最优火花采取多轮定向变异，增强算法对局部最优解的搜寻能力。同时在选择阶段采取适应值精英选择策略替代原本的欧氏距离轮盘赌选择法，既减少了多余的计算过程，又能更好的挑选下一代的火花个体。本发明方法不仅可以获得更好的调度结果，还可以有效减少算法运行的时间。
-
公开(公告)号：CN116910246A
公开(公告)日：2023-10-20
申请号：CN202310747333.X
申请日：2023-06-24
Applicant: 哈尔滨理工大学
IPC: G06F16/35 , G06F40/216 , G06F40/242 , G06F40/284 , G06N3/0442 , G06N3/045 , G06N3/047 , G06N3/048
Abstract: 本发明涉及一种基于BiLSTM‑LSTM‑Softmax网络结构的文本情感分类方法。本发明针对传统LSTM模型对文本情感极性预测效果不佳的问题，提出一种结合BiLSTM模型与LSTM模型的算法。算法首先对文本中进行预处理后，对文本切分，再通过WordEmbedding模型生成词向量。构建一个BiLSTM‑LSTM‑Softmax网络结构。将所述词向量输入到该BiLSTM模型中，将输出结果进行拼接操作，再输入到LSTM模型中处理。使用softmax函数对输出的向量进行分类,获得文本情感分类结果。本发明能够充分结合上下文语境，有效防止过拟合与梯度爆炸、梯度消失问题，从而显著提高模型的鲁棒性和文本情感分类的准确率。
-
公开(公告)号：CN116597276A
公开(公告)日：2023-08-15
申请号：CN202310612488.2
申请日：2023-05-29
Applicant: 哈尔滨理工大学
IPC: G06V10/82 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/776 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/0985
Abstract: 本发明涉及一种基于改进YOLOV5模型的目标检测方法，包括以下步骤：构建数据集；在YOLOV5模型Neck层中嵌入CBAM注意力机制；针对SPPF结构中的最大池化操作增大感受野的同时会丢失目标信息的弊端，采用空洞卷积代替最大池化操作，在不丢失目标信息的前提下增大感受野，进一步提升模型的特征提取精度；修改SPPF中卷积层的激活函数，从而提升模型的检测速度；利用新的损失函数引入所需回归之间的向量角度，重新定义距离损失，以网络最小化损失提升模型的回归精度；将改进后的模型在训练集上训练出最佳模型；最后将改进后的模型与原始YOLOv5模型使用相同数据集训练，通过评价指标分别对模型进行对比和评估。本发明可以实现加强小目标检测效率和提高模型检测精度。
-
Patent Agency Ranking
公开(公告)号：CN118470401A
公开(公告)日：2024-08-09
申请号：CN202410580519.5
申请日：2024-05-10
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于改进YOLOv8的密集车辆检测算法。本发明针对当前传统网络模型对密集车辆识别精度低，检测不准确的问题，提出了一种基于YOLOv8改进的密集车辆检测算法。首先，在Neck部分中添加了CoTA注意力机制，使得模型在特征提取过程中能有效利用相邻特征之间丰富的上下文关系，提高特征提取能力；其次，将Neck中的C2f模块替换为C2f‑ScConv模块，能有效避免提取冗余特征，减小了模型的计算量，提高了模型的精度；然后，添加了小目标检测层，更好地捕捉小目标的特征。最后，将损失函数改进为Wise‑IoU v3，提升了改进后网络模型的边界框回归性能。
-
公开(公告)号：CN118212629A
公开(公告)日：2024-06-18
申请号：CN202410310999.3
申请日：2024-03-19
Applicant: 哈尔滨理工大学
IPC: G06V20/62 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/084
Abstract: 本文介绍了一个使用最先进的目标检测框架YOLOv8在图像中检测车牌的系统。针对传统模型对车牌识别效果欠佳的问题，提出一种基于改进YOLOv8的车辆识别方法。该方法包括数据收集、预处理、模型训练和微调，以及车牌定位和识别算法。对具有基本注释的数据集进行评估，mAP达到98.4％。对替代方法进行基准测试可以证明性能有所提高。讨论了实现中遇到的困难，包括数据标签和处理不同的制版格式。阐明了YOLOv8模型在车牌检测中的有效性。在不同地区本地化车牌，它能够适应不同的版式外观，包括字体、比例、旋转和轮廓的异质性。证实了YOLOv8在准确性和便捷性方面的优势。从而显著提高模型的鲁棒性和车牌识别的准确率。
-
公开(公告)号：CN115688995A
公开(公告)日：2023-02-03
申请号：CN202211289669.8
申请日：2022-10-20
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种结合反向蝙蝠算法改进的SVM算法的交通流预测方法。本发明首先针对预测模型或参数的不确定性和随机性的问题，提出了一种结合反向蝙蝠算法改进的SVM算法，新型SVM算法的显着特点是采用后向飞行机制发展了一种改进的飞行原理，增强了随机搜索能力，从而有效地避免了局部最优。与传统的SVM方法相比，它拥有更高的训练精度、更短的训练时间和更好的预测性能。所以此方法可以有效解决交通流预测的问题。
-
公开(公告)号：CN115169517A
公开(公告)日：2022-10-11
申请号：CN202210676437.1
申请日：2022-06-15
Applicant: 哈尔滨理工大学
Abstract: 本发明提出了一种改进的灰狼优化算法方法，步骤一、输入灰狼优化算法的系数向量、收敛因子等相关的参数数据到研究系统中。步骤二、确定系统所要优化的目标函数以及约束条件、由约束条件得到系统的维度、边界等参数。步骤三、狼群初始化，配置算法参数，确定最大迭代次数。通过反向学习生成每一头狼的反向位置。步骤四、计算适应度对比第i头狼与第i头狼的反向位置，保留较小适应度的狼，构建出新的初始化狼群。步骤五、在每一头狼的周围产生q个试探感知探子，从探子与当前狼中选择适应度最低的代替当前狼。步骤六、根据适应度选出狼群中的领导者α、智囊团队β、枢纽δ以及平民ω。步骤七、更新参数及α、β、δ的值，并且根据最大迭代次数对算法的结束条件进行判断，如果达到了最大的迭代次数，输出α作为最优解，反之，如果没有达到最大迭代次数，则返回到步骤五继续执行算法。步骤八、基于改进的智能优化算法灰狼优化算法的方法的性能测试。本发明可以明显改进由于种群初始化不足所带来的种群多样性差的缺点以及算法陷入局部最优解时的解决方案。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.018 seconds)
