-
公开(公告)号：CN113313203A
公开(公告)日：2021-08-27
申请号：CN202110690614.7
申请日：2021-06-22
Applicant: 哈尔滨工程大学
Abstract: 本发明属于图像识别技术领域，具体涉及一种基于可拓理论和深度学习的医学图像分类方法。本发明提供了融合医学领域知识、深度学习和精细化策略的分类方法，该方法结合了医学领域特征和深度学习特征，对医学图像进行快速、准确的分类。本发明利用可拓理论中可拓关联函数来检测蓝白结构的存在性，将医学图像初步分类为良性病图像和疑似恶性病图像，采用了基于YOLOv3的改进模型YoDyCK模型，可快速准确地提取疑似恶性病图像的深度学习特征，从而提高医学图像的最终分类准确度和效率。
-
公开(公告)号：CN107506676B
公开(公告)日：2020-11-03
申请号：CN201710722326.9
申请日：2017-08-22
Applicant: 哈尔滨工程大学
IPC: G06K7/10
Abstract: 本发明公开了一种基于动态检测点和标签估计的RFID防碰撞方法，属于射频识别技术领域。其特征在于，采用样本时隙的计算方法得出部分时隙的大小，进而确定检测点在帧中的位置，使得检测点随着帧长动态的调整，同时采用采用空闲、成功和碰撞三种时隙的实际持续时间结合碰撞比率提前求出碰撞时隙与剩余标签数量的关系。具体步骤包括：阅读器激活标签然后发送选择命令选中与阅读器匹配的标签；阅读器发送请求问询命令，标签收到命令之后随机选择帧中时隙；阅读器盘存帧中时隙；在帧中检测点位置判断是否有剩余标签；判断当前帧长是否最优；继续盘存时隙直至帧的末尾，更新下一周期帧长。
-
公开(公告)号：CN106446923B
公开(公告)日：2019-08-06
申请号：CN201610352489.8
申请日：2016-05-25
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于医疗健康数据挖掘领域，具体涉及一种基于角点匹配的医学图像分类方法。本发明包括：待分类的医学图像I提出分类请求；提取I的角点序列C；初始匹配角点对序列集DS的计算；初始匹配角点对序列集DS的计算；最大匹配角点对序列集DM的计算；公共K近邻匹配角点对序列集DT的计算；计算和I最相似的t幅医学图像；根据投票机制输出I的类标签。本发明提出了一对一的最大匹配角点对序列的定义，给出了将一对多的匹配角点对序列中求解一对一的最大匹配角点对序列问题转化为求二分图最大匹配的问题并利用匈牙利算法进行求解，并提出了基于匹配角点对的医学图像相似度计算公式，此公式既考虑了匹配角点对序列，也考虑了未匹配上的角点，提高了角点匹配的准确度，从而提高了分类结果的准确度。
-
公开(公告)号：CN109145944A
公开(公告)日：2019-01-04
申请号：CN201810758508.6
申请日：2018-07-11
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/6256 , G06K9/3233 , G06K9/6267 , G06N3/0454
Abstract: 本发明公开了一种基于纵向三维图像深度学习特征的分类方法，属于图像分析领域。本发明包括两个阶段：训练阶段：包括对研究对象的三维图像的预处理、获取切片图像特征提取器、根据词袋模型计算扫描图像特征向量、以及设计并训练循环神经网络分类器；测试阶段：包括待分类的研究对象P提出分类请求、对P的三维图像进行预处理、提取切片图像特征、计算扫描图像特征、以及输出分类结果。本发明利用深度卷积神经网路直接从切片图像进行特征的自动提取，无需任何人工设计的图像特征和图像的3D配准、特征区域检测等复杂的预处理步骤，且本发明针对纵向三维图像进行研究，利用循环神经网络从纵向三维图像特征向量中学习图像的变化特征，分类更准确。
-
公开(公告)号：CN105307265A
公开(公告)日：2016-02-03
申请号：CN201510523131.2
申请日：2015-08-24
Applicant: 哈尔滨工程大学
CPC classification number: H04W64/006 , H04W84/18
Abstract: 本发明属于无线传感器网络研究中的定位技术领域，具体涉及一种基于直线扫描事件及移动锚节点的定位算法。本发明包括每轮定位产生两个事件，两个事件的光束扫描角度相差90度，分别对两个事件进行一次定位；按照感知到光束的先后顺序将所有节点的ID排成一个序列称为节点序列，从节点序列中提取出锚节点序列；未知节点将每个事件得到的位置区域取交集，对得到的交集区域用质心法求未知节点的位置坐标，定位结束。本发明要求两次移动之间只取两个事件，且这两个事件的扫描角度相差π/2。LLSEMA是利用少量的外部代价换取了更加高效，更加精确的定位结果。所以LLSEMA算法相对于LLSE算法总体性能上更优。
-
Patent Agency Ranking
公开(公告)号：CN103246706A
公开(公告)日：2013-08-14
申请号：CN201310121194.6
申请日：2013-04-09
Applicant: 哈尔滨工程大学
IPC: G06F17/30
Abstract: 本发明涉及的是道路网络空间中车辆对象移动轨迹聚类的方法。本发明包括：将移动对象的数据属性分为静态属性和动态属性；在离散时刻对移动对象的位置进行采样存储，并定义兴趣点、路网空间；在离散时刻对采样节点之间的轨迹进行还原；将移动对象轨迹作为一个点集进行刻画；计算两条轨迹间的距离；把描述对象相异性的区间标度变量的度量值转换为无单位的值；计算两条轨迹间的时间距离；对于车辆对象移动轨迹进行相似性转化；对进行过相似性转化的轨迹初始聚类；对经过初始聚类的轨迹聚类簇进行增量聚类。本发明提出的方法对移动对象进行处理，并和已有算法比较，在保证正确聚类结果的基础上，提高了算法的运行效率。
-
公开(公告)号：CN119339125A
公开(公告)日：2025-01-21
申请号：CN202411223253.5
申请日：2024-09-03
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/098 , G06F21/60
Abstract: 一种面向类别不平衡的联邦图像分类方法，它涉及一种联邦图像分类方法。本发明为了解决现有联邦学习方法主要关注数据异构性，无法降低类别不平衡对模型性能影响的问题。本发明具体包括服务器初始化全局高斯分布原型，客户端初始化本地模型参数；将所述全局高斯分布原型下发至客户端；客户端基于本地数据集，利用高斯原型生成类内方差信息，通过配置的损失函数进行本地模型训练；客户端通过随机采样生成平衡的虚拟特征集；客户端将更新后的本地原型上传至服务器；服务器对各客户端上传的本地原型进行聚合，生成新的全局高斯分布原型，并用于下一轮训练；判断是否达到设定的训练轮次或模型收敛。本发明属于图像分类技术领域。
-
公开(公告)号：CN107623895A
公开(公告)日：2018-01-23
申请号：CN201710722305.7
申请日：2017-08-22
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种三角距离估计的水下传感器网络定位方法，属于水下无线传感器网络技术领域。其特征在于：锚节点广播坐标信息，未知节点接收锚节点信息建立本地存储列表，保存相关信息。当未知节点具有三个及以上参考节点信息时通过投影技术实现未知节点的定位。未知节点的参考节点信息不足时，通过三角距离估计两跳参考节点的距离来增加参考节点数量，参考节点数量满足定位要求时，通过投影技术进行定位。定位成功的信任值高的节点升级为参考节点辅助其他节点定位。本发明是一种三维分布式的定位方法，实验证明该方法有较高的节点定位覆盖率和较小的定位误差。
-
公开(公告)号：CN107506676A
公开(公告)日：2017-12-22
申请号：CN201710722326.9
申请日：2017-08-22
Applicant: 哈尔滨工程大学
IPC: G06K7/10
Abstract: 本发明公开了一种基于动态检测点和标签估计的RFID防碰撞方法，属于射频识别技术领域。其特征在于，采用样本时隙的计算方法得出部分时隙的大小，进而确定检测点在帧中的位置，使得检测点随着帧长动态的调整，同时采用采用空闲、成功和碰撞三种时隙的实际持续时间结合碰撞比率提前求出碰撞时隙与剩余标签数量的关系。具体步骤包括：阅读器激活标签然后发送选择命令选中与阅读器匹配的标签；阅读器发送请求问询命令，标签收到命令之后随机选择帧中时隙；阅读器盘存帧中时隙；在帧中检测点位置判断是否有剩余标签；判断当前帧长是否最优；继续盘存时隙直至帧的末尾，更新下一周期帧长。
-
公开(公告)号：CN105279508A
公开(公告)日：2016-01-27
申请号：CN201510566372.5
申请日：2015-09-08
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/3233 , G06K9/6267
Abstract: 本发明属于医疗信息技术领域，具体涉及一种基于KAP有向图模型的医学图像分类方法。本发明包括：待分类图像提出分类请求：待分类图像应为原始医学图像数据；图像预处理过程：对原始医学图像提取感兴趣ROI区域，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小，并在纹理部位提取出图像的角点。本发明提出的面向纹理的角点提取方法有效的降低了角点的提取时间，同时由于纹理部位是图像中灰度变化最剧烈的位置，也是图像中反应信息量最重要的位置，进而提高了角点的代表性。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.07 seconds)
