-
公开(公告)号：CN113470071B
公开(公告)日：2022-05-31
申请号：CN202110743958.X
申请日：2021-07-01
Applicant: 哈尔滨工程大学
IPC: G06T7/246 , G06T7/73 , G06T5/10 , G06V10/764 , G06K9/62
Abstract: 本发明属于红外目标跟踪技术领域，具体涉及一种两层级联红外行人跟踪方法。本发明的是为解决目标丢失和漂移问题而设计的一种两层级联红外行人跟踪方法，通过优化跟踪过程和构造归一化联合置信度来提高跟踪精度、改善跟踪性能。本发明的跟踪方法易于嵌入到其他跟踪器，跟踪精度高，能够自适应更新子目标分类器参数及外观模型，防止遮挡，且能够有效降低跟踪漂移。本发明比GFS‑DCF具有更高的成功率和精度，达到了更好的跟踪效果。
-
公开(公告)号：CN113470071A
公开(公告)日：2021-10-01
申请号：CN202110743958.X
申请日：2021-07-01
Applicant: 哈尔滨工程大学
Abstract: 本发明属于红外目标跟踪技术领域，具体涉及一种两层级联红外行人跟踪方法。本发明的是为解决目标丢失和漂移问题而设计的一种两层级联红外行人跟踪方法，通过优化跟踪过程和构造归一化联合置信度来提高跟踪精度、改善跟踪性能。本发明的跟踪方法易于嵌入到其他跟踪器，跟踪精度高，能够自适应更新子目标分类器参数及外观模型，防止遮挡，且能够有效降低跟踪漂移。本发明比GFS‑DCF具有更高的成功率和精度，达到了更好的跟踪效果。
-
公开(公告)号：CN110796599A
公开(公告)日：2020-02-14
申请号：CN201910977225.5
申请日：2019-10-15
Applicant: 哈尔滨工程大学
IPC: G06T3/40
Abstract: 本发明属于图像重建领域，特别是涉及一种视网膜图像超分辨率重建的通道加权生成式对抗网络方法。本发明包括：1)预处理视网膜图像数据集；2)在原始SRGAN模型中加入SENet，构建基于通道加权的生成网络和判别网络；3)设计新的融合损失函数，用于保留有用的低频信息和局部纹理细节信息；4)用训练数据集训练模型；5)使用训练好的生成模型对视网膜图像进行重建，得到相应的超分辨率重建图像。本发明重建图像与原始视网膜图像亮度更加一致，重建后的视网膜图像的细节信息丰富。
-
公开(公告)号：CN109598586A
公开(公告)日：2019-04-09
申请号：CN201811455085.7
申请日：2018-11-30
Applicant: 哈尔滨工程大学
Abstract: 本发明属于计算机技术领域中的推荐系统领域，具体涉及一种基于注意力模型的推荐方法。本发明首先将用户对商品的评分表示成用户商品评分矩阵；然后,将用户评论中的词语映射成词向量，作为双向循环神经网络的输入，并在双向循环神经网络的隐层之后加入注意力模型，用于提取重要情感词语的特征；接着，通过注意力模型为每条评论生成情感评分；最后，将用户对商品的真实评分与情感评分进行加权，更新用户评分矩阵，使用传统的协同过滤推荐方法为用户进行推荐。本发明可以有效的改善传统的推荐方法中对输入信息的稀释问题，同时考虑用户的情感因素对评论结果的影响，能够更准确地更正用户的评分行为，进而提高了推荐的准确率。
-
公开(公告)号：CN107507054A
公开(公告)日：2017-12-22
申请号：CN201710606791.6
申请日：2017-07-24
Applicant: 哈尔滨工程大学
CPC classification number: G06Q30/0631 , G06N3/04 , G06N3/08
Abstract: 本发明为一种基于循环神经网络的推荐算法，涉及推荐算法领域；该算法首先提出一个引入商品评分信息的基于循环神经网络(Recurrent Neural Network,RNN)推荐算法的模型框架Rating-RNN，对用户将要消费哪一个商品作出准确的预测。然后提出一个基于循环神经网络推荐算法的模型框架Category-RNN，对用户将要消费哪一类别的商品作出预测。最后，将Rating-RNN与Category-RNN输出层合并，形成能够并行训练的Mixing-RNN。对用户的消费历史进行建模，利用用户的评分信息以及商品类别信息等多种特征，能够捕获用户兴趣的演变，可以有效的提高推荐算法的评估指标。
-
Patent Agency Ranking
公开(公告)号：CN101226633B
公开(公告)日：2011-04-20
申请号：CN200810063941.4
申请日：2008-01-30
Applicant: 哈尔滨工程大学
Inventor： 郑丽颖
IPC: G06T5/00
Abstract: 本发明提供的是一种基于均值漂移的农作物冠层图像分割方法。首先，将在RGB颜色空间中表示的作物冠层图像进行重新采样；然后，将作物冠层图像变换到HSI空间中；接下来，将作物冠层图像中的每一个像素用四个特征值组成的四元组表示，即G-R、G-B、H、S，其中R、G、B分别表示像素的在RGB空间中的红色分量、绿色分量和兰色分量，H、S分别表示像素的在HSI颜色空间中的色度和饱和度；然后，利用均值漂移算法将作物冠层图像分割为不同的类；最后，计算每一类的特征均值，若该均值的第一、第二个分量均大于0则判断为作物，否则为非作物。本发明的有益效果是，需要设定的参数较少，特征提取过程简单明了，算法易于实现，分割正确率高。
-
公开(公告)号：CN101226633A
公开(公告)日：2008-07-23
申请号：CN200810063941.4
申请日：2008-01-30
Applicant: 哈尔滨工程大学
Inventor： 郑丽颖
IPC: G06T5/00
Abstract: 本发明提供的是一种基于均值漂移的农作物冠层图像分割方法。首先，将在RGB颜色空间中表示的作物冠层图像进行重新采样；然后，将作物冠层图像变换到HSI空间中；接下来，将作物冠层图像中的每一个像素用四个特征值组成的四元组表示，即G－R、G－B、H、S，其中R、G、B分别表示像素的在RGB空间中的红色分量、绿色分量和蓝色分量，H、S分别表示像素的在HSI颜色空间中的色度和饱和度；然后，利用均值漂移算法将作物冠层图像分割为不同的类；最后，计算每一类的特征均值，若该均值的第一、第二个分量均大于0则判断为作物，否则为非作物。本发明的有益效果是，需要设定的参数较少，特征提取过程简单明了，算法易于实现，分割正确率高。
-
公开(公告)号：CN113838091B
公开(公告)日：2023-12-12
申请号：CN202111117021.8
申请日：2021-09-23
Applicant: 哈尔滨工程大学
Abstract: 本发明属于目标跟踪技术领域，具体涉及一种稀疏目标跟踪方法。本发明利用Mask R‑CNN获得各目标的精确前景图像区域，并利用ReID网络提取各目标的128维前景特征；在原视频图像上以各个目标为中心，裁剪出包含背景的目标图像块，并将裁剪后各个目标图像块输入到ReID网络，提取128维前景+背景特征；利用卡尔曼滤波进行轨迹预测，并利用余弦距离和匈牙利算法获得目标前景特征匹配结果和目标前景+背景特征匹配结果；对级联匹配后的结果进行IoU匹配；利用IoU匹配结果对各个目标轨迹进行更新。本发明通过引入目标前景信息、目标前景+背景信息和近邻目标信息来提高跟踪精度、改善跟踪性能。
-
公开(公告)号：CN110782480B
公开(公告)日：2023-08-04
申请号：CN201910976634.3
申请日：2019-10-15
Applicant: 哈尔滨工程大学
IPC: G06T7/246 , G06N3/0464
Abstract: 本发明属于红外目标跟踪领域，具体涉及跟踪精度高的一种基于在线模板预测的红外行人跟踪方法。本方法包括如下步骤：步骤1：使用彩色图像构造红外训练数据集；步骤2：对训练数据集中的各个红外行人图像序列，根据数据集标注的目标位置信息，裁剪出目标图像，并将其大小归一化为127×127×1像素的单通道图像，获得相应的模板序列集合，生成模板训练数据集；步骤3：获得组合模板训练数据集，基于残差卷积结构，设计模板预测网络并训练；步骤4：利用训练好的模板预测网络和SiameseRPN实现红外行人跟踪。本发明的有益效果在于：1.生成更接近真实目标的预测模板；2.跟踪精度高。
-
公开(公告)号：CN110309822B
公开(公告)日：2022-09-27
申请号：CN201910528230.8
申请日：2019-06-18
Applicant: 哈尔滨工程大学
IPC: G06V10/143 , G06N3/00
Abstract: 本发明涉及一种基于量子进化粒子群算法的高光谱图像波段选择方法，属于图像处理领域。包括输入待选择波段的高光谱图像，设定种群的规模、维数、最大迭代次数；将每个粒子占据的位置由单位空间映射到优化问题的解空间，选取类间可分性和最佳指数两者结合作为适应度函数；将变异概率引入量子进化粒子群算法，采用最大似然法对输出最优波段组合图像进行分类，计算总体分类精度，计算相关性采用波段组合波段间的平均相关性。本发明将量子进化算法和粒子群算法结合，克服了易陷入局部最优的缺点，量子进化粒子群算法具有更快的收敛速度，缩短了算法的运行时间，在进行波段选择时，算法更加稳定且分类精度高，应用前景广阔。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.024 seconds)
