-
公开(公告)号：CN114648017A
公开(公告)日：2022-06-21
申请号：CN202210386134.6
申请日：2022-04-13
Applicant: 哈尔滨工程大学
IPC: G06F40/211 , G06F40/295 , G06F40/284 , G06F16/35 , G06N3/04
Abstract: 一种基于异质图注意力网络的文档级关系抽取方法，具体涉及一种基于异质图注意力网络的文档级实体关系的抽取方法，本发明为了解决现有的图神经网络在获取节点表示时忽略了图中节点和边，导致关系抽取的准确率低的问题，它包括以下步骤：S1、获取文档文本；S2、建立文档级关系抽取模型，将S1中获取的文档文本输入文档级关系抽取模型内进行训练，输出所述文档文本的关系，得到训练好的文档级关系抽取模型；S3、将待抽取文档级关系的文档文本输入S2中训练好的文档级关系抽取模型内，得到对应的文档文本的关系。属于计算机技术领域。
-
公开(公告)号：CN113962303B
公开(公告)日：2024-04-26
申请号：CN202111227231.2
申请日：2021-10-21
Applicant: 哈尔滨工程大学
IPC: G06F18/25 , G06N3/0464 , G06N3/048
Abstract: 基于密度融合的水下试验环境反演方法及系统，属于水声技术领域。本发明为了解决现有的匹配场反演比较复杂的问题以及声速剖面往往不能直接求解得到唯一解的问题。本发明首先将将环境特征输入OneHot和Embedding网络得到高维特征向量，然后根据环境特征和深度信息得到融合特征矩阵，将融合特征矩阵输入残差网络模型得到对应的环境剖面信息数据，从而实现试验环境反演。主要用于水下试验环境的反演。
-
公开(公告)号：CN116543315A
公开(公告)日：2023-08-04
申请号：CN202310596184.1
申请日：2023-05-24
IPC: G06V20/13 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 基于前景注意力网络的遥感图像目标检测方法，具体涉及一种基于多尺度特征融合、前景注意力网络和原型生成网络的小样本遥感图像目标检测方法，为解决现有的结合原型网络思想的小样本图像目标检测方法使小样本的遥感图像目标检测结果准确率低的问题。它利用多尺度融合特征提取网络提取每张图像的多尺度特征，再利用前景注意力网络得到增强特征，针对同一目标，利用基于余弦距离的原型生成网络对当前目标的不同增强特征赋予不同权重，加权平均，得到每类目标的原型。获取待查询图像的多尺度特征，利用RPN得到每个尺度特征中目标的建议框，将与建议框目标相似度最高的目标原型作为待查询图像的目标，得到目标种类及位置。属于遥感图像目标检测领域。
-
公开(公告)号：CN113688571B
公开(公告)日：2023-06-30
申请号：CN202110983334.5
申请日：2021-08-25
Applicant: 哈尔滨工程大学
IPC: G06F30/27 , G06F17/16 , G06F18/22 , G06F18/213 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08 , G06F113/08
Abstract: 一种基于卷积相似度的水声环境参数分类方法，涉及水声环境参数反演领域。本发明是为了解决目前水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致水声环境参数分类方法不适合低算力、低容量设备的问题。本发明包括：将待分类的水声信息矩阵输入到训练好的水声环境参数分类网络中获得分类好的水声环境参数；训练好的水声环境参数分类网络包括：利用水声信息矩阵训练超网络获取训练好的超网络和每个卷积输出的水声特征矩阵；对特征矩阵进行降维、拼接、利用高斯核卷积操作获得一维特征向量；获取特征矩阵相似度系数；对训练好的超网络裁剪，获取训练好的水声环境参数分类网络。本发明用于水声环境参数分类。
-
公开(公告)号：CN113688571A
公开(公告)日：2021-11-23
申请号：CN202110983334.5
申请日：2021-08-25
Applicant: 哈尔滨工程大学
Abstract: 一种基于卷积相似度的水声环境参数分类方法，涉及水声环境参数反演领域。本发明是为了解决目前水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致水声环境参数分类方法不适合低算力、低容量设备的问题。本发明包括：将待分类的水声信息矩阵输入到训练好的水声环境参数分类网络中获得分类好的水声环境参数；训练好的水声环境参数分类网络包括：利用水声信息矩阵训练超网络获取训练好的超网络和每个卷积输出的水声特征矩阵；对特征矩阵进行降维、拼接、利用高斯核卷积操作获得一维特征向量；获取特征矩阵相似度系数；对训练好的超网络裁剪，获取训练好的水声环境参数分类网络。本发明用于水声环境参数分类。
-
Patent Agency Ranking
公开(公告)号：CN114565831B
公开(公告)日：2025-02-25
申请号：CN202210202911.7
申请日：2022-03-02
Applicant: 哈尔滨工程大学
IPC: G06V20/05 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 一种考虑深度学习模型健壮性的水下目标分类的方法，本发明为了解决现有深度学习模型对水下目标分类准确率低的问题，它包括利用训练好的原始模型对采集的水下目标数据训练集进行预测得到所有分类正确样本的集合和所有分类错误样本的集合；将所有分类错误样本的集合输入训练好的原始模型内，对分类错误样本的特征进行聚类和特征补偿，得到分类错误样本的特征补偿；将特征补偿输入训练好的原始模型内得到特征补偿后的原始模型；将水下目标数据训练集输入特征补偿后的原始模型内，输出分类错误的样本；建立对抗训练模型，得到训练好的对抗训练模型；将对抗训练模型与特征补偿后的原始模型加权组合生成深度学习模型；属于水下目标分类领域。
-
公开(公告)号：CN113592016B
公开(公告)日：2023-12-01
申请号：CN202110908117.X
申请日：2021-08-09
Applicant: 哈尔滨工程大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 基于互信息增强的自监督新颖性检测方法，涉及图像处理领域。本发明是为了解决现有图像新颖性检测方法的重构效果不佳，难以对类内外图像边界进行区分，进而导致在复杂场景中检测效果差的问题。本发明具体过程为：将待检测的图像输入到训练好的自监督新颖性检测模型的自编码网络中进行新颖性检测，获得检测结果。所述自监督新颖性检测模型包括：自编码网络、隐鉴别器、鉴别器、分类器；自编码网络包括：生成器和编码器，用于对输入的待检测图像数据进行重构；所述隐鉴别器用于与编码器进行对抗训练；所述鉴别器用于与生成器进行对抗训练；分类器用于对生成器生成的图像进行分类。本发明用于对图像的新颖性进行检测。
-
公开(公告)号：CN113554104B
公开(公告)日：2022-09-30
申请号：CN202110856234.6
申请日：2021-07-28
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/04 , G06N3/08
Abstract: 一种基于深度学习模型的图像分类方法，属于图像分类领域。本发明解决了现有针对图像分类的神经网络无法在保证图像分类准确率的同时降低训练时间和模型参数规模的问题。本发明方法包括：建立图像分类模型，对图像分类模型进行冷启动训练；获取图像数据作为训练集，从“V”型相似度曲线中选取一个相似度系数作为相似度阈值，基于该阈值，利用训练集对图像分类模型参数进行训练，获取当前图像分类模型的参数；基于动态阈值和当前图像分类模型的参数，逐步降低该阈值，将训练集输入图像分类模型中，进行图像分类模型训练，获得最优的分类模型，停止图像分类模型训练；将待分类的图像输入最优的图像分类模型，得到图像分类结果。本发明用于图像分类。
-
公开(公告)号：CN113962303A
公开(公告)日：2022-01-21
申请号：CN202111227231.2
申请日：2021-10-21
Applicant: 哈尔滨工程大学
Abstract: 基于密度融合的水下试验环境反演方法及系统，属于水声技术领域。本发明为了解决现有的匹配场反演比较复杂的问题以及声速剖面往往不能直接求解得到唯一解的问题。本发明首先将将环境特征输入OneHot和Embedding网络得到高维特征向量，然后根据环境特征和深度信息得到融合特征矩阵，将融合特征矩阵输入残差网络模型得到对应的环境剖面信息数据，从而实现试验环境反演。主要用于水下试验环境的反演。
-
公开(公告)号：CN115035912B
公开(公告)日：2024-04-26
申请号：CN202210644380.7
申请日：2022-06-08
Applicant: 哈尔滨工程大学
IPC: G10L25/30 , G06N3/0464 , G10L25/03 , G10L25/18
Abstract: 基于MOC模型的水声信号样本自动标注方法，具体涉及一种基于MOC模型的水下声音信号样本的自动标注方法，本发明为解决传统水声信号样本标注采用人工方法，不仅费时费力，经济效益低，还受专业性限制，标注准确性低的问题，它包括采集水声信号作为样本，利用声学模型计算所述水声信号样本的声学特征；建立MOC模型，MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层，将水声信号样本的声学特征输入MOC模型内进行训练，输出已标注的水声信号样本，直到loss收敛，得到训练好的MOC模型；将待标注的水声信号样本上述操作，得到已标注的水声信号样本。属于水下声音信号标注领域。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.027 seconds)
