-
公开(公告)号：CN107491761B
公开(公告)日：2020-04-03
申请号：CN201710730930.6
申请日：2017-08-23
申请人： 哈尔滨工业大学(威海)
摘要： 本发明公开了一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法，包括以下步骤：在跟踪的起始帧随机选取若干目标样本和背景样本；对目标样本进行目标样本特征提取，对背景样本进行背景样本特征提取；将提取的目标样本特征聚类成若干个目标模板集合，将提取的背景样本特征聚类成若干个背景模板集合；通过降低同类别样本间距离并增大不同样本间的距离来学习投影矩阵；根据高斯分布对后续帧进行目标候选采集；提取目标候选的特征，并使用投影矩阵将目标模板集合、背景模板集合和目标候选投影到共同的子空间；计算每个目标候选到所有目标模板集合的距离，距离之和作为每个目标候选的得分，最终的跟踪结果为距离最小的前若干个目标候选的平均值。
-
公开(公告)号：CN102724307A
公开(公告)日：2012-10-10
申请号：CN201210194744.2
申请日：2012-06-14
申请人： 哈尔滨工业大学(威海)
摘要： 本发明提供一种用于物联网的信息融合引擎，其包括调度器和多个管理器。所述调度器为所接收的来自特定设备的消息选择用于处理该消息的管理器，所选择的管理器将该消息传递到对应于该设备类型的插件进行处理。每个管理器代表一种业务需求或功能并且管理具有相应功能的一个或多个插件，用于处理来自不同设备类型的消息。通过规范的、可扩展的业务处理插件接口，实现灵活增加专用、通用的接收、存储、转发插件，从而解决各类行业应用数据类型不同、计算方式不同，但需要统一计算、处理的问题。而且可以支持第三方插件，实现日志、内容审计、认证的功能。
-
公开(公告)号：CN111680190B
公开(公告)日：2023-07-18
申请号：CN202010517202.9
申请日：2020-06-09
申请人： 哈尔滨工业大学(威海)
IPC分类号： G06F16/738 , G06F16/735 , G06F16/783 , G06V10/80 , G06V10/82 , G06V20/70 , G06V10/774 , G06N3/0455 , G06N3/0442 , G06N3/0985
摘要： 本发明提供了一种融合视觉语义信息的视频缩略图推荐方法，该方法包括分别对视频概述模型和视频缩略图推荐模型进行训练，得到对应的第一训练结果和第二训练结果；通过所述第一训练结果对当前视频生成概述语句，将所述概述语句与当前视频的关键帧序列同时输入所述第二训练结果，推荐与所述概述语句相关的关键缩略图，结合当前视频的候选缩略图得到当前视频的推荐缩略图序列。本发明弥补了现有视频网站上不能自动为每段视频推荐代表视频主要内容的视频缩略图的缺陷。本方法为视频推荐客观且具有视频内容代表性的视频缩略图序列，从而提高视频的吸引力。
-
公开(公告)号：CN109711354A
公开(公告)日：2019-05-03
申请号：CN201811626841.8
申请日：2018-12-28
申请人： 哈尔滨工业大学(威海)
摘要： 本发明公开了一种基于视频属性表示学习的目标跟踪方法，包括以下步骤：构建具有多属性分支的深度卷积神经网络模型；将训练数据按照视频属性进行分组；在训练数据中选取目标样本和背景样本；按照两阶段训练策略训练深度卷积神经网络模型；使用训练后的深度卷积神经网络模型对目标进行跟踪。使用不同分支学习不同属性下的表示降低了每个分支的学习难度，使得每个分支所需求的训练数据数量也降低。这些表示被自适应地融合后用于分类，提高了特征表示的判别力，使得本提案的方法可以应对复杂的跟踪场景。两阶段训练策略保证了多视频属性分支卷积神经网络可以达到预期目的。
-
公开(公告)号：CN102724307B
公开(公告)日：2016-04-06
申请号：CN201210194744.2
申请日：2012-06-14
申请人： 哈尔滨工业大学(威海)
摘要： 本发明提供一种用于物联网的信息融合引擎，其包括调度器和多个管理器。所述调度器为所接收的来自特定设备的消息选择用于处理该消息的管理器，所选择的管理器将该消息传递到对应于该设备类型的插件进行处理。每个管理器代表一种业务需求或功能并且管理具有相应功能的一个或多个插件，用于处理来自不同设备类型的消息。通过规范的、可扩展的业务处理插件接口，实现灵活增加专用、通用的接收、存储、转发插件，从而解决各类行业应用数据类型不同、计算方式不同，但需要统一计算、处理的问题。而且可以支持第三方插件，实现日志、内容审计、认证的功能。
-
公开(公告)号：CN109165658B
公开(公告)日：2021-08-13
申请号：CN201810986082.X
申请日：2018-08-28
申请人： 哈尔滨工业大学(威海)
摘要： 本发明公开了一种基于Faster‑RCNN的强负样本水下目标检测方法，包括以下步骤：获取目标图像数据集，将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图；将获取的低维特征图一路输入至RPN网络得到正负样本及坐标，另一路继续前向传播得到高维特征图；对获取的与Ground Truth不相交的负样本进行图像求均值处理，实现基于图像亮度特征的相似度比较，完成与正样本相似的假负样本的筛除；将正样本、获取的筛选后的负样本与高维特征图共同输入到ROI Align层，提取正负样本建议区域的特征；将获取的建议区域特征传入全连接层，输出该区域的分类得分及回归后的坐标值。
-
公开(公告)号：CN111680190A
公开(公告)日：2020-09-18
申请号：CN202010517202.9
申请日：2020-06-09
申请人： 哈尔滨工业大学(威海)
IPC分类号： G06F16/738 , G06F16/735 , G06F16/783 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供了一种融合视觉语义信息的视频缩略图推荐方法，该方法包括分别对视频概述模型和视频缩略图推荐模型进行训练，得到对应的第一训练结果和第二训练结果；通过所述第一训练结果对当前视频生成概述语句，将所述概述语句与当前视频的关键帧序列同时输入所述第二训练结果，推荐与所述概述语句相关的关键缩略图，结合当前视频的候选缩略图得到当前视频的推荐缩略图序列。本发明弥补了现有视频网站上不能自动为每段视频推荐代表视频主要内容的视频缩略图的缺陷。本方法为视频推荐客观且具有视频内容代表性的视频缩略图序列，从而提高视频的吸引力。
-
公开(公告)号：CN109300090A
公开(公告)日：2019-02-01
申请号：CN201810986230.8
申请日：2018-08-28
申请人： 哈尔滨工业大学(威海)
IPC分类号： G06T5/00
摘要： 本发明公开了一种基于亚像素和条件对抗生成网络的单幅图像去雾方法，包括以下步骤：获取原始无雾图像数据集，依据雾天成像模型合成有雾数据集；将待处理的有雾图像输入生成器G，所述生成器G的网络结构设置有跳层连接，经过编码输出尺寸逐步减少的特征图，解码阶段使用反卷积与亚像素分别获得各自的特征图后使用卷积对特征图进行操作，获得生成器输出无雾图像；将生成器G输出的无雾图像与原始无雾图像输入判别器D，判断生成器D输出无雾图像是否为真；对生成器G和判别器D同时进行对抗约束，计算对抗损失和L1损失，依据随机梯度下降的原则进行反向传播更新生成器G和判别器D的参数，当模型的总体损失收敛时，模型训练完成。
-
公开(公告)号：CN109165658A
公开(公告)日：2019-01-08
申请号：CN201810986082.X
申请日：2018-08-28
申请人： 哈尔滨工业大学(威海)
摘要： 本发明公开了一种基于Faster-RCNN的强负样本水下目标检测方法，包括以下步骤：获取目标图像数据集，将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图；将获取的低维特征图一路输入至RPN网络得到正负样本及坐标，另一路继续前向传播得到高维特征图；对获取的与Ground Truth不相交的负样本进行图像求均值处理，实现基于图像亮度特征的相似度比较，完成与正样本相似的假负样本的筛除；将正样本、获取的筛选后的负样本与高维特征图共同输入到ROI Align层，提取正负样本建议区域的特征；将获取的建议区域特征传入全连接层，输出该区域的分类得分及回归后的坐标值。
-
公开(公告)号：CN107491761A
公开(公告)日：2017-12-19
申请号：CN201710730930.6
申请日：2017-08-23
申请人： 哈尔滨工业大学(威海)
摘要： 本发明公开了一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法，包括以下步骤：在跟踪的起始帧随机选取若干目标样本和背景样本；对目标样本进行目标样本特征提取，对背景样本进行背景样本特征提取；将提取的目标样本特征聚类成若干个目标模板集合，将提取的背景样本特征聚类成若干个背景模板集合；通过降低同类别样本间距离并增大不同样本间的距离来学习投影矩阵；根据高斯分布对后续帧进行目标候选采集；提取目标候选的特征，并使用投影矩阵将目标模板集合、背景模板集合和目标候选投影到共同的子空间；计算每个目标候选到所有目标模板集合的距离，距离之和作为每个目标候选的得分，最终的跟踪结果为距离最小的前若干个目标候选的平均值。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.029 秒)