-
公开(公告)号：CN117392017A
公开(公告)日：2024-01-12
申请号：CN202311355442.3
申请日：2023-10-19
申请人： 哈尔滨理工大学
IPC分类号： G06T5/77 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/084 , G06T7/10
摘要： 本发明公开一种基于特征点和可变形混合注意力的对抗网络的面部修复方法，属于图像修复技术领域，目的是为了实现高质量的图像修复，本发明包括以下步骤：步骤一：对原始人脸图像数据预处理；步骤二：对原始人脸特征点数据进行数据的增强，得到丰富的特征点数据；步骤三：构建基于MobileNetV3网络的人脸特征点预测模型；步骤四：构建基于对抗网络的人脸图像修复模型；步骤五：对人脸特征点预测模型的训练；步骤六：对人脸修复模型的训练；步骤七：对整体模型的测试。本发明应用于人脸图像修复，本发明设计了基于MobileNetV3网络的人脸特征点预测模型，该模型由13层卷积层和跳跃模块组成，能够准确预测不同角度的人脸特征点。
-
公开(公告)号：CN117390209A
公开(公告)日：2024-01-12
申请号：CN202311353527.8
申请日：2023-10-19
申请人： 哈尔滨理工大学
IPC分类号： G06F16/532 , G06F16/538 , G06T7/136 , G06T3/04 , G06T7/11 , G06T7/187 , G06F16/51 , G06N3/0464 , G06V10/74 , G06T7/00
摘要： 本发明提供了一种基于相对中心位置的深度哈希的肺结节图像检索方法，包括以下步骤：步骤一：对肺部图像作预处理；步骤二：对肺结节ROI图像进行数据增强处理；步骤三：在Alex网络中插入哈希层构建深度哈希算法网络模型；步骤四：损失函数的设计；步骤五：创建图像哈希码库；步骤六：将待检索肺结节CT图像与图像哈希码库中的肺结节CT图像进行分级检索，得到相似性最大的肺结节CT图像；本发明用于肺结节图像检索，在哈希层中构建一层相对中心变换层，用于使其肺结节图像特征数据包含了量化误差学习目标，并消除了数据的偏移，在度量肺结节图像特征数据与对应质心的相似性时，经过相对中心变换后可以帮助消除整体偏移的影响，便于关注两者之间的差异。
-
公开(公告)号：CN112462181A
公开(公告)日：2021-03-09
申请号：CN202011309286.3
申请日：2020-11-20
申请人： 哈尔滨理工大学
IPC分类号： G01R31/00
摘要： 一种基于相位角随机扰动的分布式逆变器并网系统孤岛检测方法。传统的带正反馈的主动频率偏移孤岛检测法在单逆变器组成的分布式发电系统中能可靠检测出孤岛，但在多逆变器并联分布式系统中，各逆变器产生的扰动相互抵消，即所谓的稀释效应，使孤岛检测失败。本发明包括如下步骤：检测电网电压频率f；计算频率f偏移工频fg的绝对值；在频率扰动时在使能相位角上加入一个随机的扰动量；计算频率变化率的绝对值；根据计算结果判断是否大于等于触发值T，降低逆变器输出功率，进行有功的缓慢持续扰动；判断随机扰动持续两分钟是否触发防孤岛保护。本发明用于逆变器并网系统孤岛检测。
-
公开(公告)号：CN112294342A
公开(公告)日：2021-02-02
申请号：CN202011191789.5
申请日：2020-10-30
申请人： 哈尔滨理工大学
IPC分类号： A61B5/372
摘要： 一种基于深度残差Mask‑CCNN的睡眠分期算法，涉及深度学习领域，包括如下步骤：步骤a.特征提取：将含有专家睡眠阶段标记的脑电信号(EEG)数据集输入到深度残差Mask‑CCNN进行时域和频域特征提取；步骤b.特征增强：采用深度残差块增强信息特征；步骤c.序列间特征提取：双向门控循环单元BiGRU构成的编、解码器提取脑电序列间的时序特征，使用注意力机制(Attention)加强每个睡眠阶段特征序列的最相关部分；步骤d.输出处理：通过softmax层输出睡眠分期。应用已经训练好的最优模型，输入EEG信号进行睡眠阶段分期。本发明可完成EEG信号的睡眠阶段自动分期，在获得较高分期准确度的同时有效避免特征选取的主观性。
-
公开(公告)号：CN107609541B
公开(公告)日：2020-11-10
申请号：CN201710968932.9
申请日：2017-10-17
申请人： 哈尔滨理工大学
摘要： 本发明涉及深度学习和计算机视觉技术领域，具体为一种基于可变形卷积神经网络的人体姿态估计方法，包括以下步骤：步骤a：对输入数据集预处理，包括扩展、分割数据集图片；步骤b：对训练集图片做K均值聚类；步骤c：以K均值聚类结果为标签，将训练集输入可变形卷积神经网络训练；步骤d：构造得分函数F训练SVM用于关节分类；步骤e：输出处理；本发明通过读取正数据集，一部分用做训练集，一部分用做验证集，读取负数据集作对比，其中引入负数据集训练能有效得滤除背景得干扰，提高识别率。
-
公开(公告)号：CN110772268A
公开(公告)日：2020-02-11
申请号：CN201911059617.X
申请日：2019-11-01
申请人： 哈尔滨理工大学
IPC分类号： A61B5/18 , A61B5/0496 , A61B5/0476
摘要： 一种多模脑电信号及一维卷积神经网络(1DCNN)迁移的驾驶疲劳状态识别方法。属于疲劳驾驶检测和分类技术领域，目的是为了对驾驶员进行疲劳预警，以较少因疲劳驾驶而引发交通事故对人们的生命财产造成的伤害。本发明包括：步骤一：脑电(EEG)信号预处理及特征提取，步骤二：眼电(EOG)信号预处理及特征提取，步骤三：1DCNN模型的构建和预训练，步骤四：1DCNN迁移模型的构建，步骤五：融合特征送入1DCNN迁移模型，将EEG特征和EOG特征进行融合送入1DCNN迁移模型进行训练和测试，对样本进行疲劳状态的识别。本发明应用于疲劳驾驶的识别与分类。
-
公开(公告)号：CN109785349A
公开(公告)日：2019-05-21
申请号：CN201910012002.5
申请日：2019-01-07
申请人： 哈尔滨理工大学
摘要： 一种基于圆模型的极坐标边缘编码方法,涉及边缘轮廓图的边缘编码技术。目的是为了解决常用的Freeman边缘链码在简单图形表示上有较大信息冗余，在其边缘点检测及边缘匹配上灵敏度较低的问题。本发明首先对需编码图像进行边缘轮廓图转换，然后以边缘轮廓图为模型建立对象，建立圆模型，分别求解边缘轮廓的点的截断半径、对心角度以及相对位置，再接着对这些点分别进行检测获取可编码点，按照编码原则进行编码。本发明采用新的编码模型及动态方向和动态码长编码，有效的缩短了编码长度，提高了编码效率，并且能够有效地降低编码误差，在图形可表复杂度上能较为高效的表示简单图形边界。
-
公开(公告)号：CN106841926A
公开(公告)日：2017-06-13
申请号：CN201710150997.2
申请日：2017-03-14
申请人： 哈尔滨理工大学
IPC分类号： G01R31/08
CPC分类号： G01R31/088
摘要： 本发明涉及光伏并网发电系统控制领域，具体涉及一种基于无盲区自适应AFDPF算法的光伏并网系统孤岛检测方法。为了进一步的消除检测盲区，降低对电能质量的影响，本发明提出了一种基于无盲区自适应AFDPF算法的光伏并网系统孤岛快速检测方法，改进的正反馈主动频移算法(AFDPF)在频率相对稳定的情况下施加较小的扰动，当频率偏离稳定情况时，在扰动中引入对频率偏差的正反馈，在施加扰动前根据频率偏差函数对频率偏移方向进行判定，通过确立正反馈系数随公共耦合点频率进行自适应变化的关系，以及对正反馈的频率偏差函数的改进，从而达到了消除检测盲区、进一步提高了检测效率，并且在一定程度上避免了引入较大扰动造成的电能污染。
-
公开(公告)号：CN105678822A
公开(公告)日：2016-06-15
申请号：CN201610020942.5
申请日：2016-01-13
申请人： 哈尔滨理工大学
IPC分类号： G06T11/00
CPC分类号： G06T11/003
摘要： 一种基于Split Bregman迭代的三正则磁共振图像重构方法，它涉及一种磁共振图像重构方法。本发明的目的是为了解决现有技术中的磁共振图重构方法存在运算复杂度高、难以有效消除混叠伪影和吉布斯振铃，图像重建精度有限的问题。本发明包括以下步骤：通过测量得到欠采样的k空间数据；利用全变分、短支撑小波和高正则阶、高消失矩的小波进行正则项约束，经过Split Bregman迭代得到重构图像；对步骤二所得的重构图像进行误差判定，若误差不满足预设条件，重复进行步骤二直至满足预设条件，获得重构图像。本发明在保证较快重建速度的情况下，提高重建图像的质量。
-
公开(公告)号：CN118260442A
公开(公告)日：2024-06-28
申请号：CN202410350916.3
申请日：2024-03-26
申请人： 哈尔滨理工大学
IPC分类号： G06F16/583 , G06F16/538 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0895 , G06N3/084 , G16H30/20
摘要： 一种基于自监督学习的病理图像乘积量化检索方法，涉及医学图像处理领域。本发明是为了解决PQ检索中提取图像特征的模型无法提取病理图像关键信息的问题。本发明所述的一种基于自监督学习的病理图像乘积量化检索方法，将被检索病理图像输入至病理图像SPQ检索模型中，获得被检索病理图像的图像特征向量；将检索库中的所有检索图像均输入至病理图像SPQ检索模型中，获得检索图像的乘积量化码；分别计算所述被检索病理图像的图像特征向量与每一幅检索图像的乘积量化码之间的欧式距离；将所有欧氏距离由小到大进行排序，并提取排序前1％的欧氏距离作为检索欧式距离；将检索欧式距离对应的检索图像作为被检索病理图像的检索结果。
-
-
-
-
-
-
-
-
-
搜索结果
72 条记录 (耗时 0.037 秒)
