-
公开(公告)号：CN111144423B
公开(公告)日：2023-05-05
申请号：CN201911369736.5
申请日：2019-12-26
Applicant: 哈尔滨工业大学
IPC: G06V10/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法，属于遥感数据特征提取技术领域。为了解决现有基于卷积神经网络高光谱遥感数据的光谱特征提取尺度单一的问题，同时解决高光谱遥感数据的高维度信号造成的维数灾难的问题。本发明中以每个尺度值减一后的值与对应的分组数的乘积相等为原则，直接将高维的高光谱向量信号在光谱波段维度上等分成若干组，每个尺度利用多个不同的滤波器对每段高维的高光谱向量信号进行单独的一维常规卷积操作，通过若干组操作实现快速降低光谱向量的特征维度。本发明适用于高光谱遥感数据的多尺度光谱特征提取。
-
公开(公告)号：CN108334847B
公开(公告)日：2019-10-22
申请号：CN201810119263.2
申请日：2018-02-06
Applicant: 哈尔滨工业大学
Abstract: 本发明提供一种真实场景下的基于深度学习的人脸识别方法，是为了解决现有真实场景下的人脸识别方法只能解决单一因素影响，而不能解决姿势、光照等因素的影响而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；生成器进一步包括上采样网络以及优化网络；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。
-
公开(公告)号：CN109145958A
公开(公告)日：2019-01-04
申请号：CN201810842331.8
申请日：2018-07-27
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于多任务生成对抗网络的真实场景小物体检测方法，属于计算机视觉领域中的物体检测技术领域。所述检测方法将多任务生成对抗网络引入到物体检测中，通过让多任务生成对抗网络中的生成器网络和鉴别器网络相互博弈的方式进行学习，实现小物体检测网络的建立进而完成图像的小物体检测。所述小物体检测方法克服了现阶段的物体检测方法在真实场景中检测正确率低的困难，促进了基于深度学习的物体检测方法在真实场景下的应用。
-
公开(公告)号：CN108334848A
公开(公告)日：2018-07-27
申请号：CN201810119264.7
申请日：2018-02-06
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/00228 , G06K9/00288 , G06K9/6256 , G06N3/0454 , G06N3/08 , G06T3/4007 , G06T3/4076 , G06T2207/20081 , G06T2207/20084 , G06T2207/30201
Abstract: 本发明提供一种基于生成对抗网络的微小人脸识别方法。本发明是为了解决现阶段的人脸检测技术无法捕获复杂背景下的微小人脸，当基于失真的图像进行人脸检测时会导致检测率严重下降的缺点而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。
-
-
Patent Agency Ranking
公开(公告)号：CN111062403B
公开(公告)日：2022-11-22
申请号：CN201911369737.X
申请日：2019-12-26
Applicant: 哈尔滨工业大学
Abstract: 基于一维组卷积神经网络的高光谱遥感数据深度光谱特征提取方法，属于遥感数据特征提取技术领域。为了解决现有的基于深度学习方法需要大量标记的训练样本学习模型的参数，存在针对高光谱遥感数据标记训练样本稀少的情况光谱特征提取效果差的问题。本发明所述方法利用D个一维滤波器对归一化数据进行卷积操作，在特征通道方向分成g组；每组利用多个一维滤波器进行一维卷积操作，将每组卷积结果在特征通道方向上堆栈在一起；进行全局和局部相关性并进行加权，洗牌，然后进行一维卷积操作，提取光谱特征；进而确定高光谱遥感数据深度光谱特征提取模型，训练高光谱遥感数据深度光谱特征提取模型。本发明用于高光谱遥感数据深度光谱特征的提取。
-
公开(公告)号：CN108334848B
公开(公告)日：2020-12-25
申请号：CN201810119264.7
申请日：2018-02-06
Applicant: 哈尔滨工业大学
Abstract: 本发明提供一种基于生成对抗网络的微小人脸识别方法。本发明是为了解决现阶段的人脸检测技术无法捕获复杂背景下的微小人脸，当基于失真的图像进行人脸检测时会导致检测率严重下降的缺点而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。
-
公开(公告)号：CN109766868B
公开(公告)日：2020-12-11
申请号：CN201910063662.6
申请日：2019-01-23
Applicant: 哈尔滨工业大学
IPC: G06K9/00
Abstract: 本发明提出了一种基于身体关键点检测的真实场景遮挡行人检测网络及其检测方法，属于计算机视觉的行人检测技术领域。所述检测网络包括关键点检测网络、身体区域分割和图像合成模块以及行人分类网络。所述检测方法为：利用行人检测数据库训练生成基准行人检测器，通过基准行人检测器获取候选区域图像。通过关键点检测网络检测候选区域图像中人体身体的关键点信息，将关键点信息作为身体关键点真值，进而训练关键点检测网络。利用身体区域分割和图像合成模块获得合成图像；将合成图像输入至行人分类网络中指导训练行人分类网络。行人分类网络根据输入的合成图像判别输入图像是行人图像还是背景图像，完成真实场景中遮挡行人的检测。
-
公开(公告)号：CN109766868A
公开(公告)日：2019-05-17
申请号：CN201910063662.6
申请日：2019-01-23
Applicant: 哈尔滨工业大学
IPC: G06K9/00
Abstract: 本发明提出了一种基于身体关键点检测的真实场景遮挡行人检测网络及其检测方法，属于计算机视觉的行人检测技术领域。所述检测网络包括关键点检测网络、身体区域分割和图像合成模块以及行人分类网络。所述检测方法为：利用行人检测数据库训练生成基准行人检测器，通过基准行人检测器获取候选区域图像。通过关键点检测网络检测候选区域图像中人体身体的关键点信息，将关键点信息作为身体关键点真值，进而训练关键点检测网络。利用身体区域分割和图像合成模块获得合成图像；将合成图像输入至行人分类网络中指导训练行人分类网络。行人分类网络根据输入的合成图像判别输入图像是行人图像还是背景图像，完成真实场景中遮挡行人的检测。
-
公开(公告)号：CN106707034A
公开(公告)日：2017-05-24
申请号：CN201611219594.0
申请日：2016-12-26
Applicant: 哈尔滨工业大学
CPC classification number: G01R29/023 , G01R19/04
Abstract: 基于Windows系统函数和多线程技术的脉冲信号检测方法，本发明涉及脉冲信号检测方法。本发明的目的是为了解决现有定时/计数器卡通道数较少，而且成本很高以及FPGA检测脉冲信号脉宽开发周期比较长的问题。一、利用多线程技术创建并启动独立辅助线程；二、循环不间断读取AD卡或数字IO卡采集的数据；三、判断采集的数据是否存在脉冲信号，如果存在执行五；否则执行四；四、Sleep函数休眠1ms执行三；五、基于Windows系统函数计算出脉冲信号的脉宽和电平、脉宽和幅值或脉宽、电平和幅值，执行六；六、发送至主线程，判断所有采集的数据是否检测完，如果检测完则结束；否则执行四。本发明用于数据采集和信号处理领域。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.036 seconds)
