-
公开(公告)号：CN116309648A
公开(公告)日：2023-06-23
申请号：CN202310540679.2
申请日：2023-05-14
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种轻量化的ECA‑Residual模块用来构建医学图像分割模型编码器，目前已经提出的医学图像分割模型集中在关注模型性能的提升，忽略模型可训练参数的数量，该模块在降低模型参数量的同时可以有效的进行特征的提取；设计空间注意力门控模块集成在编码器‑解码器模型的跳跃连接处，避免编码器和解码器特征融合时产生语义差异，该模块抑制图像不相关区域，在保证计算效率的同时提高模型的性能；使用级联上采样器接收来自编码器和不同阶段空间注意力门控模块的输出，通过多次上采样解码隐藏特征，逐像素输出分割掩码，最终获得医学图像分割模型。
-
公开(公告)号：CN114461879A
公开(公告)日：2022-05-10
申请号：CN202210073662.6
申请日：2022-01-21
Applicant: 哈尔滨理工大学
IPC: G06F16/906 , G06Q50/00 , G06F40/30 , G06F40/216
Abstract: 本发明公开了一种基于文本特征整合的语义社交网络多视角社区发现方法，包括：抓取社交网络中用户发表语义信息；提取语义信息中预设数量的词频特征构建矩阵；对语义信息进行TF‑IDF值计算，提取预设数量的关键字特征构建矩阵；利用LDA主题模型获取语义信息的主题和每位用户的主题分布构建矩阵；利用Pearson相关系数求解上述矩阵之间的相似度矩阵，并与预设阈值进行比较，若大于则建立连接重构原社交网络，得到语义社交网络；利用基于图学习的多视角聚类算法对语义社交网络进行多视角社区发现，得到社区划分结果。该方法从多个视角考虑社交网络的语义信息再进行社区发现，保证社区结构划分结果的高质量、高准确度和高凝聚性。
-
公开(公告)号：CN112329473B
公开(公告)日：2021-07-30
申请号：CN202011126371.6
申请日：2020-10-20
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于话题影响力渗流的语义社交网络社区发现方法。步骤1：构造语义社交网络节点的语义空间坐标表示；步骤2：构造步骤1的同时构造基于渗流力学的话题影响力渗流微分方程；步骤3：根据步骤2的话题影响力渗流微分方程，求解话题影响力偏微分方程；步骤4：根据步骤3制定生成社区的博弈规则；步骤5：在步骤4的博弈规则选取话题影响力最大的种子节点作为影响力渗流的初始非均衡节点；步骤6：利用步骤4的博弈规则与步骤5的初始非均衡节点生成社交网络社区结构。现有方法仅以话题的相似性作为社区的生成标准会降低社区内部节点的一致性，社区内聚性略显不足。
-
公开(公告)号：CN113012253A
公开(公告)日：2021-06-22
申请号：CN202110356534.8
申请日：2021-04-01
Applicant: 哈尔滨理工大学
IPC: G06T11/00
Abstract: 本发明属于过程性层析成像领域，尤其是一种二维电容层析成像的图像重建方法，针对现有的ECT技术当前仍然存在很多难点，比如ECT系统的非线性和逆问题求解，体现在图像重建上就是其成像精度不高、与原流型不符的问题，现提出如下方案，其包括以下步骤：S1、通过电容传感器阵列得到测量数据；S2、对测量数据进行预处理；S3、确定截断值；S4、对构造出来的Hankel矩阵进行奇异值分解；S5、对构造出来的矩阵进行反对角线取平均值，S6、得到去噪后的矩阵；S7、引入EIV模型；S8、得到重建图像。本发明的有益效果是：可以最大程度的保留数据的特征，提高算法的重建精度，并且去除多余噪声，使得算法更加接近真实值。
-
公开(公告)号：CN111444851A
公开(公告)日：2020-07-24
申请号：CN202010228670.4
申请日：2020-03-27
Applicant: 哈尔滨理工大学
Abstract: 本发明提出了一种基于超像素的电容层析成像流型识别方法，包括：对该原始流型图像进行下采样处理，得到采样过后的流型图像种子点个数；步骤二、将种子点分配到流型图像的各个部分上；在以种子点为中心的n*n的范围内计算各个像素点的灰度梯度，将灰度梯度最小的像素点作为种子点的最终位置；对步骤三中的种子点周围的像素点进行分类标记；步骤五、多次重复步骤三和步骤四，直至聚类结果不发生变化为止，至此完成流型图像分割；步骤六、增强分割后流型图像的连通性，对其进行后处理；步骤七、标记分类结果，得到各类几何中心位置并进行识别。本发明可以有效解决识别效果差，成像周期长，计算量大，实时性和识别精度还不甚理想的问题。
-
Patent Agency Ranking
公开(公告)号：CN119600403A
公开(公告)日：2025-03-11
申请号：CN202411660779.X
申请日：2024-11-20
Applicant: 哈尔滨理工大学
Abstract: 一种面向视角缺失人脸识别的多维特征融合聚类方法，属于计算机视觉中的人脸图像数据聚类处理领域，本发明首先为非完备多视角人脸图像数据构建核矩阵，并进行多核补全。然后通过特征分解将每个视角下的核矩阵映射到不同的维度空间，获得不同维度的特征矩阵，再通过旋转矩阵将其融合为固定维度的一致表示矩阵。将一致表示作为原始数据的替代进行张量子空间学习，根据学习到的张量子空间矩阵计算亲和矩阵，并对其进行谱聚类，获得最终的聚类结果。与其他方法相比，本发明的精确度更高，性能更加稳健。
-
公开(公告)号：CN119559413A
公开(公告)日：2025-03-04
申请号：CN202411625220.3
申请日：2024-11-14
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/77 , G06V10/82 , G06V40/16 , G06N3/0455 , G06N3/08
Abstract: 一种基于双对齐补全的缺失多视图人脸图像聚类方法，属于缺失多视图人脸图像数据中的数据聚类处理领域，本发明首先通过自编码器的编码网络获得缺失多视图人脸图像数据样本的低维嵌入表示，并将其通过解码网络获得重构样本特征，同时使用重构损失函数对缺失多视图人脸图像数据和重构样本特征进行约束。紧接着利用每个视图的潜在嵌入表示构建原型矩阵，并通过原型对比损失函数对齐视图间的同类簇原型。然后将每个视图的潜在嵌入表示和相应的同类簇原型输入注意力层，通过注意力矩阵增加视图内同类簇样本的紧密性，同时使用视图间的同类簇存在样本补全缺失视图。紧接着将补全后的视图通过实例对比学习获得视图间多视图人脸图像数据样本的一致性信息，随后通过特征融合层获得所有视图的公共低维嵌入表示。最后使用小批量随机梯度下降算法将基于双对齐补全的缺失多视图人脸图像聚类方法总体损失函数优化至收敛。当模型达到收敛后，使用k‑mean算法对公共低维嵌入表示进行聚类获得聚类结果，进而实现对缺失多视图人脸图像数据样本聚类的目的。
-
公开(公告)号：CN114461879B
公开(公告)日：2024-10-15
申请号：CN202210073662.6
申请日：2022-01-21
Applicant: 哈尔滨理工大学
IPC: G06F16/906 , G06Q50/00 , G06F40/30 , G06F40/216
Abstract: 本发明公开了一种基于文本特征整合的语义社交网络多视角社区发现方法，包括：抓取社交网络中用户发表语义信息；提取语义信息中预设数量的词频特征构建矩阵；对语义信息进行TF‑IDF值计算，提取预设数量的关键字特征构建矩阵；利用LDA主题模型获取语义信息的主题和每位用户的主题分布构建矩阵；利用Pearson相关系数求解上述矩阵之间的相似度矩阵，并与预设阈值进行比较，若大于则建立连接重构原社交网络，得到语义社交网络；利用基于图学习的多视角聚类算法对语义社交网络进行多视角社区发现，得到社区划分结果。该方法从多个视角考虑社交网络的语义信息再进行社区发现，保证社区结构划分结果的高质量、高准确度和高凝聚性。
-
公开(公告)号：CN117292675B
公开(公告)日：2024-09-17
申请号：CN202311388897.5
申请日：2023-10-24
Applicant: 哈尔滨理工大学
IPC: G10L15/00 , G10L15/06 , G10L15/16 , G10L21/02 , G06N3/0464 , G06N3/0499
Abstract: 基于深层时序特征表示的语种识别方法，本发明涉及一种基于深层时序特征表示的语种识别方法，属于语种识别技术领域。本发明的目的是为了解决现有方法对语种识别的精度低的问题。过程为：步骤1、获取不同语种的音频数据集；分别对不同语种的音频数据集进行数据增强；将数据增强后的不同语种的音频数据集裁剪成同等长度音频数据，作为训练集；步骤2、构建深度学习模型，将步骤1的训练集输入深度学习模型进行训练，直至达到了设置的最大迭代次数，获得训练好的深度学习模型；所述深度学习模型依次包括预训练模型、时间池和全连接层；步骤3、将待测音频数据输入训练好的深度学习模型，获得待测音频数据的语种类别。
-
公开(公告)号：CN118521784A
公开(公告)日：2024-08-20
申请号：CN202410602100.5
申请日：2024-05-15
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/82 , G06V10/77 , G06V10/46 , G06V10/52 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/0442 , G06N3/08
Abstract: 本发明针对现有医学图像分割方法在处理包含小尺寸器官和复杂边缘的图像时存在边缘分割不准确的问题，提出了一种基于CNN和SwinTransformer混合编码的医学图像分割模型。设计了一种混合编码器进行特征提取，其中多尺度特征提取使模型能够更准确地分割包含小尺寸器官的医学图像，引用SwinTransformer模块使模型具备长距离依赖建模能力，可以学习图像中不同区域之间的联系，从而更好的约束不同类别的边界；通过在跳跃连接中使用注意力门控，有效的抑制语义差异，方便特征的进一步融合；在解码器阶段，模型通过级联上采样方式对来自编码器和注意力门控模块输出的特征进行特征重组及解码，最后输出预测结果。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.021 seconds)
