-
公开(公告)号：CN118506096A
公开(公告)日：2024-08-16
申请号：CN202410686361.X
申请日：2024-05-29
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V20/13 , G06V20/10 , G06V10/58 , G06V10/774 , G06V10/82 , G06V10/776 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明基于噪声干扰启发的空间‑光谱神经架构搜索HSI分类方法属于图像分类技术领域。首先，本发明构建了一个包括空间‑光谱注意卷积算子、跳跃连接、池化操作等候选操作在内的模块化搜索空间。然后，根据一定的比例从高光谱(Hyperspectral Image，HSI)中随机选择像素作为训练、验证和测试集并应用于超网络架构搜索阶段和最终网络优化阶段。在架构搜索过程中，Surpernet构建了一个包含网络中所有可能操作的权重共享模型，并由该模型架构中搜索和优化最终算子信道和核大小，同时保持算子与Surpernet原模型的一致。接着，本发明由噪声‑可微分架构搜索策略(Noisy‑DifferentiableArchitecture Search，Noisy‑DARTS)构建了一个公平竞争的环境，并引导训练超网络中的网络参数和模型参数，推导出性能最优的网络架构。最后，在性能评估阶段，本发明将标签平滑损失函数和多项式展开损失函数集成构建一个融合损失函数，以解决由于HSI样本长尾分布导致的数据不平衡问题，并自动调整参数为不同数据集自驱性地设计最优网络架构。
-
公开(公告)号：CN117115556A
公开(公告)日：2023-11-24
申请号：CN202311189790.8
申请日：2023-09-14
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种高光谱开放集分类方法及系统，涉及高光谱图像开放集分类领域技术领域。本发明中高光谱图像通过多个图像特征提取层得到高光谱的最终图像特征；将最终高光谱的图像特征通过逐层图像重建处理得到主路重建图像，各层图像处理后的重建特征图分别经反卷积支路处理后与主路重建图像叠加融合得到最终重建图像；根据最终重建图像和原图像获取重建损失，根据重建损失和EVT算法判断所述高光谱图像是否为已知类；对判定为已知类的高光谱图像进行分类，输出分类结果。本发明增强了图像特征识别能力，能够更好地提取与未知类别相关的空间和通道特征，有效分离未知类，提高了已知类的分类精度。
-
公开(公告)号：CN115061909A
公开(公告)日：2022-09-16
申请号：CN202210676451.1
申请日：2022-06-15
Applicant: 哈尔滨理工大学
Abstract: 本发明为一种基于联邦强化学习的异构软件缺陷预测方法；该方法首先使用主成分分析法(Principal Component Analysis，PCA)进行数据降维。中心服务器初始化全局参数发送给所有参与方，参与方将该全局参数作为本地强化学习dueling Deep Q Network(dueling DQN)模型的初始参数。所有参与方使用降维数据和上轮全局参数来更新本地dueling DQN模型，中心服务器随机选择参与方，选中的参与方将本地模型参数加入高斯噪声进行差分隐私加密。使用K‑means对选中的参与方进行聚类，通过本地聚合与全局聚合形成全局模型发送给所有参与方。当通信次数到达最大通信轮次或本地dueling DQN模型已经收敛，输出预测结果。本发明在保证数据隐私安全前提下通过结合多方数据模型，有效的提高了异构软件缺陷的预测效果。
-
公开(公告)号：CN119919664A
公开(公告)日：2025-05-02
申请号：CN202510018070.8
申请日：2025-01-06
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/774 , G06V10/776 , G06V10/82 , G06V20/60 , G06N3/0464 , G06N3/08
Abstract: 本发明属于目标检测技术领域，具体涉及一种基于改进YOLOv8的X光安检图像危险品分割与检测系统。该方法依次执行以下步骤：获取X光安检图像数据集，并按比例划分为训练集和测试集；对YOLOv8‑seg架构进行改进，针对主干网络和颈部网络的卷积层进行优化，通过结合空间深度转换卷积(Space‑to‑Depth Convolution,SPD‑Conv)来增强对主干网络和颈部网络特征的提取能力，从而提高对小型目标、遮挡物体及复杂背景下危险品的分割精度，提升模型对X光安检图像危险品的检测能力。本发明通过结合SPD‑Conv模块改进YOLOv8‑seg算法，能够在复杂背景下对交通枢纽的X光安检图像中的危险品进行精确分割和检测，显著提高了检测能力，为优化安检流程提供了有力的技术支持。
-
公开(公告)号：CN119723650A
公开(公告)日：2025-03-28
申请号：CN202411802689.X
申请日：2024-12-09
Applicant: 哈尔滨理工大学
IPC: G06V40/18 , G06V40/20 , G06V40/16 , G06V40/10 , G06V20/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/092
Abstract: 本发明选取被测者的多帧图像，首先通过骨干网络初步获取多帧图像中的头部特征、左眼特征和右眼特征。对于头部特征而言，假设头部为刚体，通过张正友标定法获取相机的参数模型结果，进而通过EPnP算法实现头部自由姿态的估计；然后将特征提取模块用于对左眼，右眼和头部的多帧特征提取，进一步并得到每一帧相应的预测值和置信度；最后通过特征融合模块捕捉全局信息并有效地整合上下文信息，它包括通道和空间注意力机制，二者能够自动识别并增强那些对任务有较大贡献的通道特征，从而在特征提取融合过程中突出眼动追踪的关键特征，抑制不相关的部分，提升特征的表达能力，实现精确的眼动追踪。
-
Patent Agency Ranking
公开(公告)号：CN119312155A
公开(公告)日：2025-01-14
申请号：CN202411310183.7
申请日：2024-09-19
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/214 , G06F18/211 , G06N3/0464 , G06N3/094 , G06N3/098 , G06F11/3668
Abstract: 本发明属于联邦学习与软件缺陷预测技术领域，具体涉及一种基于联邦学习的高鲁棒性异构软件缺陷预测算法。该算法首先利用Tomek links和单边选择(One‑Side Selection,OSS)算法对参与方本地数据进行预处理，缓解类不平衡问题；通过卡方检验选出代表性特征子集，统一各参与方数据的特征数量。各参与方构建本地卷积神经网络，将数据划分为训练集和测试集。通过引入客户端置信度重新加权(Client Confidence Reweighting，CCR)和改进的Bootstrap Loss损失函数，增强模型在标签噪声条件下的鲁棒性，并通过KL散度进行知识交换，降低通信开销，提高模型性能。最终，模型经过训练和验证，实现了高效精准的软件缺陷预测，有效应对数据异构性和标签噪声问题，提升了预测精度和效率。
-
公开(公告)号：CN119295804A
公开(公告)日：2025-01-10
申请号：CN202411310186.0
申请日：2024-09-19
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06V20/10
Abstract: 本发明一种结合噪声启发和注意力机制改进的NAS高光谱图像农作物分类方法涉及遥感图像分类领域；该方法依次执行以下步骤：步骤a、获取高光谱图像数据集，并人为地向图像数据中注入随机噪声；步骤b、构建一个用于高光谱图像农作物分类的神经网络架构搜索模型，集成通道注意力机制和位置尺度感知机制，以提高计算效率和模型的适应能力，并使用焦点损失函数增强对困难样本的处理和抗噪性能；步骤c、搜索架构并进行架构评估；步骤d、利用最终输出的架构进行模型训练；步骤e、使用完整的测试集进行测试，并输出分类结果。本发明通过引入基于通道的注意力机制、位置和尺度感知机制，以及焦点损失函数，显著增强了对混有噪音的高光谱农作物图像的处理能力，从而在分类精度和模型的鲁棒性方面取得了显著提升。
-
公开(公告)号：CN117853816A
公开(公告)日：2024-04-09
申请号：CN202410096914.6
申请日：2024-01-24
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06N3/0464 , G06N3/0499 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于多尺度SE注意力机制结合ViT的高光谱图像分类系统及方法，涉及图像分类技术领域。本发明的多尺度SEResBlock单元，包括若干个级联的SEResBlock模块，通过依次级联的SEResBlock模块得到高光谱的中层次特征；ViT单元包括级联的嵌入模块、Transformer编码器和MLP模块，所述Transformer编码器包括Cross‑Re‑Attention子模块和前馈网络子模块，所述Cross‑Re‑Attention子模块用以提取高光谱图像的高层次特征，所述MLP模块输出分类结果。本发明能够从不同尺度提取光谱特征，提高图像的分类精度。
-
公开(公告)号：CN117351553A
公开(公告)日：2024-01-05
申请号：CN202310848917.6
申请日：2023-07-12
Applicant: 哈尔滨理工大学
Abstract: 一种基于FPSA‑L2CSNet的视线估计系统及方法，涉及计算机视线估计领域。本发明的面部特征提取单元包括以获取低层次特征的5个Single BlazeBlock和用以获取高层次特征的6个Double BlazeBlock，根据低层次特征图和高层次特征图获取人脸的五官信息，定位左眼区域和右眼区域；ResNet网络包括依次布置的第一残差模块组、第二残差模块组、第三残差模块组和第四残差模块组，第一残差模块组、第二残差模块组、第三残差模块组和第四残差模块组分别由若干残差模块构成，残差模块包括两个1×1卷积层和PSA模块。通过面部特征提取单元缩小人眼特征区域的提取范围，采用改进ResNet网络实现更细粒度水平的特征提取，达到精准的视线估计效果。
-
公开(公告)号：CN117274775A
公开(公告)日：2023-12-22
申请号：CN202311221688.1
申请日：2023-09-20
Applicant: 哈尔滨理工大学
IPC: G06V10/82 , G06V10/774 , G06V10/776 , G06T7/00
Abstract: 本发明公开一种基于改进YOLOv3模型的芯片缺陷检测方法属于图像检测领域。本发明解决了在复杂情况下，芯片缺陷检测精度低的问题。首先，获取不同的芯片缺陷的图像，构建数据集，并划分训练集和测试集；其次，改进EMO(Efficient Model，高效模型)模块，将模型内部的SE(Squeeze and Excitation，压缩和激励)注意力更新为CA(CoordinateAttention，坐标注意力)；然后，使用改进的EMO更换原YOLOv3的Darknet‑53主干网络；接着，采用SIoU(Smoothed Intersection over Union，平滑交并比)损失函数作为原YOLOv3网络模型中的损失函数，使用改进后的YOLOv3模型对数据集进行训练得到芯片缺陷检测模型；最后，利用训练好的模型进行检测。该模型能够增强网络学习特征的表达能力，提高模型的准确度和实时性，还能够在复杂情况下实现对芯片缺陷的精确检测。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.03 seconds)
