-
公开(公告)号：CN118799832A
公开(公告)日：2024-10-18
申请号：CN202410753393.7
申请日：2024-06-12
申请人： 东北大学 , 东北大学佛山研究生创新学院
IPC分类号： G06V20/56 , G06V10/143 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/30 , G06N3/0464 , G06N3/08
摘要： 本发明公开一种基于多模态交互与融合的多光谱目标检测方法，涉及自动驾驶多模态信息处理技术领域。该方法能够根据目标特性和环境变化实时优化融合效果，显著提高算法的检测精度，并满足实时处理和资源受限的应用需求，通过在融合前进行模态间的交互，补充各自缺失的信息，显著提升了跨模态特征融合的质量。采用细粒度特征整合，不仅提供了更加精确和丰富的局部特征，还逐步建立和增强了模态间的长程依赖关系，提升了多模态特征的全局一致性和表示能力。最后，该方法设计的轻量高效的交互与融合模块，具有更强的实用性，不仅适用于当前的目标检测任务，也能推广到遥感等其他领域的多光谱目标检测，具有广泛的适用性和扩展性。
-
公开(公告)号：CN115065533B
公开(公告)日：2024-04-12
申请号：CN202210672771.X
申请日：2022-06-14
申请人： 东北大学
摘要： 本发明适用于信息加密技术领域，提供了一种基于密钥分层的信息加密方法和系统，包括以下步骤：接收信息分层指令；接收用户自定义的第一密钥；接收不同级别的管理员自定义的第二密钥；接收用户的信息查阅命令，信息查阅命令为本层查阅信息或者跃层查阅信息，信息查阅命令中包含第一密钥，跃层查阅信息中包含层级信息和跃层证明；当信息查阅命令为本层查阅信息时，对第一密钥进行验证；当信息查阅命令为跃层查阅信息时，根据层级信息发送验证信息至对应的管理员，接收管理员发送的第二密钥，对第一密钥和第二密钥进行验证。本发明实现了对信息的分层加密，通过设置管理员，低级别的用户在有需求时也能够查阅高级别的信息，使用更加方便。
-
公开(公告)号：CN110514366B
公开(公告)日：2021-03-05
申请号：CN201910778384.2
申请日：2019-08-22
申请人： 东北大学
摘要： 本发明提供一种小样本条件下管道微弱泄漏检测方法，涉及管道泄漏检测技术领域。本发明步骤如下：步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集；步骤2：对真实样本集和虚拟样本集进行组合特征提取，所述组合特征提取包括7种统计特征和1组符号化变换特征；步骤3：根据7种统计特征和1组符号化变换特征采用朴素贝叶斯方法和最小二乘支持向量机方法分别建立朴素贝叶斯网络管道小泄漏辨识模型和最小二乘支持向量机管道小泄漏辨识模型，并利用模型对管道进行小泄漏检测。本方法从增加微弱泄漏样本数量和深度挖掘微弱泄漏样本特征两方面来构造微弱泄漏辨识模型，大大提高了管道微弱泄漏的检测准确率，保障输油管道的安全运行。
-
公开(公告)号：CN110390355A
公开(公告)日：2019-10-29
申请号：CN201910586223.3
申请日：2019-07-01
申请人： 东北大学
摘要： 本发明公开一种基于进化模糊最大最小神经网络的管道新缺陷识别方法，在现有模型基础上能够进行继续训练，包括以下几个步骤：1)利用管道的原有标记样本建立源模型；2)在新测得到标记数据集合中筛选出新深度标记样本子集Dnew；3)在源模型基础上，利用新标记子集Dnew进行继续训练，建立新标记样本识别模型；4)利用已经训练好的新模型进行管道缺陷识别。本发明方法能够利用现有模型，适应新的深度缺陷尺寸，同时提供了一种进化的管道缺陷识别框架，能够实现网络的继续训练，避免了一旦有新的深度尺寸缺陷，就需要将所有样本进行重新训练的问题。
-
公开(公告)号：CN110264483B
公开(公告)日：2023-04-18
申请号：CN201910529371.1
申请日：2019-06-19
申请人： 东北大学
IPC分类号： G06T7/12 , G06T7/181 , G06N3/08 , G06N3/0464
摘要： 本发明提供一种基于深度学习的语义图像分割方法，涉及人工智能的计算机视觉技术领域。该方法包括：对输入图像进行预处理；利用带有共享分解卷积结构的深度卷积神经网络提取特征；提取深度网络中不同层级的特征信息；利用双线性插值法恢复空间特征分辨率；将所得特征进行级联；共享卷积计算并得到单通道特征图；恢复编码阶段所得特征的空间分辨率；将单通道特征图与解码阶段特征图进行级联；计算交叉熵损失，更新深度神经网络参数。本方法克服了随孔洞卷积膨胀率的增大而导致的网格伪影问题，并克服了随网络层次的加深而导致的稀疏空间特征分辨率的问题，同时提高了网络模型对于目标的分割精确度和平均交并比。
-
公开(公告)号：CN115063615A
公开(公告)日：2022-09-16
申请号：CN202210664988.6
申请日：2022-06-13
申请人： 东北大学
摘要： 本发明的一种基于Delaunay三角剖分的重复纹理图像匹配方法，包括：采用SIFT算法提取两幅图像的特征点，得到每个特征点的特征向量；计算两幅图中特征点的特征向量之间的欧氏距离，根据特征向量最近邻形成两幅图像的特征点间的初始匹配；用局部非极大值抑制选取表现好的初始匹配作为种子点对；基于Delaunay三角剖分对不符合全局拓扑结构的种子点对进行过滤；以过滤后的种子点对为中心分别将两幅图像划分为多个圆形区域，在圆形区域内用PROSAC算法拟合局部区域的仿射变换，去除错误的匹配。采用本发明方法匹配相似纹理较多的图像时匹配点对的准确率得到了提升。该方法对重复纹理造成的错误匹配去除有明显效果。
-
公开(公告)号：CN110514366A
公开(公告)日：2019-11-29
申请号：CN201910778384.2
申请日：2019-08-22
申请人： 东北大学
摘要： 本发明提供一种小样本条件下管道微弱泄漏检测方法，涉及管道泄漏检测技术领域。本发明步骤如下：步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集；步骤2：对真实样本集和虚拟样本集进行组合特征提取，所述组合特征提取包括7种统计特征和1组符号化变换特征；步骤3：根据7种统计特征和1组符号化变换特征采用朴素贝叶斯方法和最小二乘支持向量机方法分别建立朴素贝叶斯网络管道小泄漏辨识模型和最小二乘支持向量机管道小泄漏辨识模型，并利用模型对管道进行小泄漏检测。本方法从增加微弱泄漏样本数量和深度挖掘微弱泄漏样本特征两方面来构造微弱泄漏辨识模型，大大提高了管道微弱泄漏的检测准确率，保障输油管道的安全运行。
-
公开(公告)号：CN110264483A
公开(公告)日：2019-09-20
申请号：CN201910529371.1
申请日：2019-06-19
申请人： 东北大学
摘要： 本发明提供一种基于深度学习的语义图像分割方法，涉及人工智能的计算机视觉技术领域。该方法包括：对输入图像进行预处理；利用带有共享分解卷积结构的深度卷积神经网络提取特征；提取深度网络中不同层级的特征信息；利用双线性插值法恢复空间特征分辨率；将所得特征进行级联；共享卷积计算并得到单通道特征图；恢复编码阶段所得特征的空间分辨率；将单通道特征图与解码阶段特征图进行级联；计算交叉熵损失，更新深度神经网络参数。本方法克服了随孔洞卷积膨胀率的增大而导致的网格伪影问题，并克服了随网络层次的加深而导致的稀疏空间特征分辨率的问题，同时提高了网络模型对于目标的分割精确度和平均交并比。
-
公开(公告)号：CN114598529A
公开(公告)日：2022-06-07
申请号：CN202210231629.1
申请日：2022-03-09
申请人： 东北大学
摘要： 本发明公开了一种融合加密的图像信息隐藏方法，涉及(通讯技术)图像信息加密技术领域，包括S1、原始待隐藏信息准备；S2、隐藏信息进行加密；S3、隐藏文件嵌入；S4、原始载体图像加密；S5、隐藏信息解码；S6、隐藏信息提取；S7、对隐藏信息进行解锁恢复：本发明的有益效果为：第一，通过使用多层加密技术，将保密等级较高的信息放置在深层，而将保密等级较低的信息放置在表层，从而使得不同等级的授权人员看到相对应等级的被加密信息，提高了信息传输的安全性，同时也增加了信息加密时观看对象的自由性和适用性，第二，通过采用动态加密的技术，可以根据使用要求设置信息以及密匙的生效时间和失效时间，以适用于部分特殊场景，提升信息传输的时效性。
-
公开(公告)号：CN111028235B
公开(公告)日：2023-08-22
申请号：CN201911094462.3
申请日：2019-11-11
申请人： 东北大学
IPC分类号： G06T7/10 , G06T5/00 , G06N3/0464
摘要： 本发明提供一种利用特征融合增强边缘和细节信息的图像分割方法，涉及计算机视觉技术领域。该方法利用卷积神经网络对输入的图像进行特征的提取；将提取出的特征输入到加入更多特征融合的解码结构,在恢复图像分辨率的同时丰富边缘和细节信息,得到密集特征图；通过归一化方法输出不同分类的最大值；计算交叉熵损失函数,利用随机梯度下降法更新网络中的权重。本发明方法可以在恢复特征图分辨率的同时恢复在编码阶段丢失的位置和边界细节信息，丰富图片的信息,得到密集的特征图,弥补了直接上采样所带来的稀疏特征图,使分割的边界和细节更加清晰,提升了对细节细小物体分割效果。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.023 秒)
