公开(公告)号：CN119295836A

公开(公告)日：2025-01-10

申请号：CN202411593628.7

申请日：2024-11-08

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  叶海天 ,  孔德渠 ,  谷凤伟 ,  杨海陆 ,  王莉莉

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/80 ,  G06V10/74

Abstract: 一种联合空谱关联与混合阶相似性的光谱图像地物分类方法，属于遥感图像处理和分类领域，该方法首先通过熵率超像素分析将高光谱数据集提取出的第一主成分进行分割，堆叠每个区域提取的d维潜在特征得到潜在特征矩阵。然后，根据波段间相关系数矩阵学习、高光谱波段间相似性矩阵学习以及空谱联合相关性学习得到总目标函数，并求解系数矩阵和波段间相似矩阵直到总目标函数值收敛。最后，根据求解所得波段间相似矩阵进行谱聚类，并选取信息熵最大的波段构成波段子集，对所得波段子集使用k近邻算法进行分类，得到分类结果，并计算分类准确率；与其他方法相比，本发明提高了分类的准确性，性能更加稳健。

公开(公告)号：CN119541630A

公开(公告)日：2025-02-28

申请号：CN202411599596.1

申请日：2024-11-08

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  纪彤彤 ,  王春蕊 ,  谷凤伟 ,  王莉莉 ,  尹芳

IPC: G16B20/30 ,  G16B40/30 ,  G06F18/23213

Abstract: 一种用于单细胞RNA测序数据的关联图嵌入细胞类群划分方法，属于单细胞RNA测序数据分析中的细胞类群划分领域，本发明首先将单细胞RNA测序数据进行预处理，随后使用三种特征提取方法构建细胞‑细胞多视角关联图空间，以便更好地利用视角一致性和视角特异性信息。使用自适应邻域图学习方法优化细胞‑细胞多视角关联图空间。然后，分别对去除不一致性部分的细胞‑细胞共识关联图和细胞‑细胞多视角关联图空间进行谱嵌入分解1和谱嵌入分解2，得到相应的一致嵌入矩阵、视图一致嵌入矩阵和视图特定嵌入矩阵。最后，将一致嵌入矩阵和视图一致嵌入矩阵结合得到双一致嵌入矩阵，使用k‑means方法得到细胞类群的划分结果；与其他方法相比，本发明的细胞类群划分准确率更高，性能更加稳健。

公开(公告)号：CN119600434A

公开(公告)日：2025-03-11

申请号：CN202411593723.7

申请日：2024-11-08

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  王春蕊 ,  纪彤彤 ,  谷凤伟 ,  杨海陆 ,  程媛

IPC: G06V20/10 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明提出了一种面向设施环境复杂遮挡的低负荷番茄果实检测方法，属于目标检测领域。首先，利用动态卷积聚合多个自适应卷积核，以便更好地提取果实的丰富特征。此外，在颈部网络的终末阶段设计D‑KLA注意机制，通过自适应调节感受野，聚焦于番茄的不规则形变和遮挡问题。接着，构建一个基于比例因子的WIoU边界回归损失函数，提高检测边界的精度和收敛性。最后，采用基于语义频率提示的知识蒸馏方法对检测模型进行优化，实现模型轻量化。通过训练好的番茄目标检测模型对验证集进行检测，并评估其性能。与其他方法相比，本发明在复杂遮挡环境下实现了番茄果实检测的最佳性能，有效缓解了设施环境中管道遮挡、叶片遮挡以及果实间相互遮挡的问题，显著提高了检测精度，并大幅降低了模型的参数量和计算复杂度。

公开(公告)号：CN119600403A

公开(公告)日：2025-03-11

申请号：CN202411660779.X

申请日：2024-11-20

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  徐欣雅 ,  叶海天 ,  谷凤伟 ,  杨海陆 ,  王莉莉

IPC: G06V10/80 ,  G06V10/762 ,  G06V40/16 ,  G06V10/46 ,  G06V10/44 ,  G06V10/54

Abstract: 一种面向视角缺失人脸识别的多维特征融合聚类方法，属于计算机视觉中的人脸图像数据聚类处理领域，本发明首先为非完备多视角人脸图像数据构建核矩阵，并进行多核补全。然后通过特征分解将每个视角下的核矩阵映射到不同的维度空间，获得不同维度的特征矩阵，再通过旋转矩阵将其融合为固定维度的一致表示矩阵。将一致表示作为原始数据的替代进行张量子空间学习，根据学习到的张量子空间矩阵计算亲和矩阵，并对其进行谱聚类，获得最终的聚类结果。与其他方法相比，本发明的精确度更高，性能更加稳健。

公开(公告)号：CN119559413A

公开(公告)日：2025-03-04

申请号：CN202411625220.3

申请日：2024-11-14

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  梅三林 ,  高天宇 ,  谷凤伟 ,  王莉莉 ,  陈晨

IPC: G06V10/762 ,  G06V10/77 ,  G06V10/82 ,  G06V40/16 ,  G06N3/0455 ,  G06N3/08

Abstract: 一种基于双对齐补全的缺失多视图人脸图像聚类方法，属于缺失多视图人脸图像数据中的数据聚类处理领域，本发明首先通过自编码器的编码网络获得缺失多视图人脸图像数据样本的低维嵌入表示，并将其通过解码网络获得重构样本特征，同时使用重构损失函数对缺失多视图人脸图像数据和重构样本特征进行约束。紧接着利用每个视图的潜在嵌入表示构建原型矩阵，并通过原型对比损失函数对齐视图间的同类簇原型。然后将每个视图的潜在嵌入表示和相应的同类簇原型输入注意力层，通过注意力矩阵增加视图内同类簇样本的紧密性，同时使用视图间的同类簇存在样本补全缺失视图。紧接着将补全后的视图通过实例对比学习获得视图间多视图人脸图像数据样本的一致性信息，随后通过特征融合层获得所有视图的公共低维嵌入表示。最后使用小批量随机梯度下降算法将基于双对齐补全的缺失多视图人脸图像聚类方法总体损失函数优化至收敛。当模型达到收敛后，使用k‑mean算法对公共低维嵌入表示进行聚类获得聚类结果，进而实现对缺失多视图人脸图像数据样本聚类的目的。