-
公开(公告)号：CN110827238B
公开(公告)日：2023-07-21
申请号：CN201910932903.6
申请日：2019-09-29
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明提供一种改进的全卷积神经网络的侧扫声纳图像特征提取方法，数据集的获取，并将数据集分为训练集和测试集，对数据集的目标区域进行标注；以VGG16网络为基础网络，搭建全卷积网络模型，并改进FCN模型的跳层结构；训练改进的全卷积网络模型，即训练FCNB模型；用训练好的网络对测试集的数据进行特征提取；定性评价特征提取结果，对比分析改进后与改进前的网络的特征提取结果。本发明保留了更多的细节信息，克服了传统方法抗散斑能力差、效率低、速度慢以及准确率低的缺点；有利于方法的泛化使用；特征提取效果得到了明显提升，该方法收敛性更好，稳定性更高。
-
公开(公告)号：CN110146110B
公开(公告)日：2022-11-15
申请号：CN201910418114.0
申请日：2019-05-20
Applicant: 哈尔滨工程大学
Abstract: 本发明属于数据关联领域，具体涉及一种室内环境机器人线特征ICNN数据关联的误匹配判定方法。本发明提供一种基于线段位置关系的误匹配及防止误匹配的判定规则的改进ICNN数据关联方法。首先基于激光传感器数据提取环境线特征，重新选取线特征参数，并将同一二维平面上的线段位置关系进行总结，针对线段平行或共线时容易造成误匹配的问题，分别给出误匹配评判模型，在此基础上提出一种改进ICNN算法。改进的算法用与标准算法相近的计算时间得到了更高的关联正确率。
-
公开(公告)号：CN110717921A
公开(公告)日：2020-01-21
申请号：CN201910914737.7
申请日：2019-09-26
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习及机器视觉领域，具体涉及一种改进型编码解码结构的全卷积神经网络语义分割方法。本发明采用图像预处理操作不仅提高了模型的精度，而且也增强了模型的稳定性；针对池化和下采样的重复组合的操作引起特征分辨率下降的问题，采用全卷积神经网络，进而提高了语义分割的准确性；引用U-net模型结构的思想，采用编码-解码结构，保留了二倍和四倍下采样的特征信息，分别与四倍和二倍上采样特征信息进行融合，通过逐渐恢复空间信息来捕捉清晰的目标边界，解决了图像边缘分割不太准确的问题，同时提高了神经网络的收敛速度，节约了运行时间。
-
公开(公告)号：CN110706239A
公开(公告)日：2020-01-17
申请号：CN201910914699.5
申请日：2019-09-26
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习及机器视觉领域，具体涉及一种融合全卷积神经网络与改进ASPP模块的场景分割方法。本发明采用图像预处理操作能够防止模型过拟合，同时提高模型的适应能力；针对池化和下采样的重复组合的操作引起特征分辨率下降的问题，采用全卷积神经网络；在第五层卷积层后面加入改进的ASPP模块，融入图像级别的特征来捕获远距离信息，增加模型本身的适应能力；采用反卷积进行上采样，优势是可以自己学习参数；针对网络层数加深，边缘细节信息损失严重的问题，保留二倍下采样信息并与四倍上采样信息进行融合。
-
公开(公告)号：CN108279692A
公开(公告)日：2018-07-13
申请号：CN201810043819.4
申请日：2018-01-17
Applicant: 哈尔滨工程大学
CPC classification number: G05D1/0692 , G06N3/006 , G06N3/0454 , G06N3/049 , G06N3/08
Abstract: 本发明公开了一种基于LSTM-RNN的UUV动态规划方法，属于无人潜航器领域，包括如下步骤：步骤(1)：选择几何模型构建障碍环境模型；步骤(2)：利用蚁群算法建立用于获取数据集的UUV动态规划器；步骤(3)：设计用于动态规划的LSTM-RNN网络模型；步骤(4)：获取数据集：步骤(5)：利用数据集中训练集的数据训练LSTM-RNN网络，得到基于LSTM-RNN网络的动态规划器；步骤(6)：将声纳探测信息及目标点信息输入至基于LSTM-RNN网络的运动规划器，获得UUV下一时刻的航向及航速。本方法具有强大的学习能力，同时还具有非常强的泛化能力，这使得所实现的动态规划器适用于复杂的环境。同时满足实时性的要求，并且所规划的路径符合UUV的运动特性。
-
Patent Agency Ranking
公开(公告)号：CN110781924B
公开(公告)日：2023-02-14
申请号：CN201910932848.0
申请日：2019-09-29
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于全卷积神经网络的侧扫声纳图像特征提取方法，利用原有的声纳图像进行数据增广，获得模型训练和测试所需的样本集；对样本集中的每幅图像的海底地形的边缘区域进行人工标注，区分目标和背景，获得模型训练和测试标签图；构建FCNs模型；将海底地形图像及对应的标签图输入网络，采用带动量项的小批量梯度下降法训练网络，保存最优网络模型；对比随机梯度下降法与小批量梯度下降法下网络的收敛性、稳定性；对地形边缘轮廓特征提取并输出特征提取结果，对结果进行定性评价。本发明方法无需复杂的预处理，声纳特征特征提取方法速度快、效率高，具有较强的抗散斑噪声的能力；提高了网络的性能，确保了FCNs各个网络模型的收敛性和稳定性。
-
公开(公告)号：CN110706239B
公开(公告)日：2022-11-11
申请号：CN201910914699.5
申请日：2019-09-26
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习及机器视觉领域，具体涉及一种融合全卷积神经网络与改进ASPP模块的场景分割方法。本发明采用图像预处理操作能够防止模型过拟合，同时提高模型的适应能力；针对池化和下采样的重复组合的操作引起特征分辨率下降的问题，采用全卷积神经网络；在第五层卷积层后面加入改进的ASPP模块，融入图像级别的特征来捕获远距离信息，增加模型本身的适应能力；采用反卷积进行上采样，优势是可以自己学习参数；针对网络层数加深，边缘细节信息损失严重的问题，保留二倍下采样信息并与四倍上采样信息进行融合。
-
公开(公告)号：CN108279692B
公开(公告)日：2020-12-22
申请号：CN201810043819.4
申请日：2018-01-17
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于LSTM‑RNN的UUV动态规划方法，属于无人潜航器领域，包括如下步骤：步骤(1)：选择几何模型构建障碍环境模型；步骤(2)：利用蚁群算法建立用于获取数据集的UUV动态规划器；步骤(3)：设计用于动态规划的LSTM‑RNN网络模型；步骤(4)：获取数据集：步骤(5)：利用数据集中训练集的数据训练LSTM‑RNN网络，得到基于LSTM‑RNN网络的动态规划器；步骤(6)：将声纳探测信息及目标点信息输入至基于LSTM‑RNN网络的运动规划器，获得UUV下一时刻的航向及航速。本方法具有强大的学习能力，同时还具有非常强的泛化能力，这使得所实现的动态规划器适用于复杂的环境。同时满足实时性的要求，并且所规划的路径符合UUV的运动特性。
-
公开(公告)号：CN110146110A
公开(公告)日：2019-08-20
申请号：CN201910418114.0
申请日：2019-05-20
Applicant: 哈尔滨工程大学
Abstract: 本发明属于数据关联领域，具体涉及一种室内环境机器人线特征ICNN数据关联的误匹配判定方法。本发明提供一种基于线段位置关系的误匹配及防止误匹配的判定规则的改进ICNN数据关联方法。首先基于激光传感器数据提取环境线特征，重新选取线特征参数，并将同一二维平面上的线段位置关系进行总结，针对线段平行或共线时容易造成误匹配的问题，分别给出误匹配评判模型，在此基础上提出一种改进ICNN算法。改进的算法用与标准算法相近的计算时间得到了更高的关联正确率。
-
公开(公告)号：CN110781924A
公开(公告)日：2020-02-11
申请号：CN201910932848.0
申请日：2019-09-29
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于全卷积神经网络的侧扫声纳图像特征提取方法，利用原有的声纳图像进行数据增广，获得模型训练和测试所需的样本集；对样本集中的每幅图像的海底地形的边缘区域进行人工标注，区分目标和背景，获得模型训练和测试标签图；构建FCNs模型；将海底地形图像及对应的标签图输入网络，采用带动量项的小批量梯度下降法训练网络，保存最优网络模型；对比随机梯度下降法与小批量梯度下降法下网络的收敛性、稳定性；对地形边缘轮廓特征提取并输出特征提取结果，对结果进行定性评价。本发明方法无需复杂的预处理，声纳特征特征提取方法速度快、效率高，具有较强的抗散斑噪声的能力；提高了网络的性能，确保了FCNs各个网络模型的收敛性和稳定性。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.023 seconds)
