-
公开(公告)号：CN114331885A
公开(公告)日：2022-04-12
申请号：CN202111586598.3
申请日：2021-12-21
Applicant: 哈尔滨工业大学
Abstract: 一种带有超前循环模块的在线视频去噪系统，属于视频去噪技术领域。本发明针对现有基于双向循环神经网络的视频去噪系统不能在线处理的问题。包括前向循环模块，用于对当前帧和相邻前一帧噪声图像及相邻前一帧噪声图像的前向特征进行处理，获得当前帧噪声图像的前向特征；超前循环模块，用于对相邻选定未来帧和相邻选定未来帧的前一帧噪声图像及相邻选定未来帧的前一帧噪声图像的超前特征进行处理，获得相邻选定未来帧噪声图像的超前特征；对齐模块，用于将未来帧超前特征从未来帧噪声图像对齐到当前帧噪声图像，获得对齐后的超前特征；解码模块，用于将当前帧前向特征和对齐后的超前特征进行融合，得到当前帧的去噪图像。本发明用于在线视频去噪。
-
公开(公告)号：CN111640061B
公开(公告)日：2021-05-07
申请号：CN202010398858.3
申请日：2020-05-12
Applicant: 哈尔滨工业大学
Abstract: 一种自适应图像超分辨率系统，属于图像复原领域。本发明为解决现有图像超分辨率系统无法根据应用场景和需要进行自适应调整的问题。本发明包括网络深度预测模块、特征提取模块、处理模块、加法器、上采样模块和图像复原模块；通过特征提取模块，用于对原始低分辨率图像进行特征提取获得特征提取图；网络深度预测模块，根据预设的网络深度期望值d*对特征提取图中的所有特征点进行自适应卷积操作，预测出网络深度图；处理模块，用于根据接收的网络深度图对特征提取图进行处理，获得特征提取图中所有特征点的残差特征；加法器，用于将所有特征点的残差特征叠加在特征提取图中的相应特征点上，从而对特征提取图进行调整，获得调整后的特征提取图，通过上采样模块对特征提取图进行放大，再通过图像复原模块进行修复，完成图像的修复。本发明主要用于对低分辨率图像进行复原。
-
公开(公告)号：CN107481295A
公开(公告)日：2017-12-15
申请号：CN201710691448.6
申请日：2017-08-14
Applicant: 哈尔滨工业大学
IPC: G06T9/00
Abstract: 基于动态字节长度分配的卷积神经网络的图像压缩系统，属于图像压缩技术领域。所述图像压缩系统：字节长度分配图网络将卷积码编码器的中间特征，即字节长度特征，作为其输入，建立基于待压缩图像内容的字节长度分配图，并根据该字节长度分配图建立字节长度分配图模板。二值器将卷积码编码器输出的初步编码特征图转换为编码二值特征图，即离散编码。在进入卷积熵编码器之前，所述离散编码先与字节长度分配图模板进行点乘裁剪。因此，对于本发明所述的图像压缩系统，其待熵编码的离散编码随待压缩图像的局部信息内容的变化而变化，与待压缩图像的配合度更高，具有更好的压缩效果。本发明所述的图像压缩系统适用于对图像进行压缩和解压。
-
公开(公告)号：CN101836852B
公开(公告)日：2012-07-18
申请号：CN201010179256.5
申请日：2010-05-21
Applicant: 哈尔滨工业大学
Abstract: 包含结构光三维成像系统的医用内窥镜，它涉及一种医用内窥镜，它解决了在扩张鼻内腔脑外科手术中，由于常规立体观测技术受空间限制而不能直接应用于医用内窥镜的问题。本发明的医用内窥镜，它包括工作镜管，所述工作镜管包括成像通道和照明通道，所述照明通道内置照明光纤，它还包括计算处理模块，所述计算处理模块的信号输入端连接成像通道的电信号输出端；它还包括结构光通道，所述结构光通道置于照明通道内，照明光纤的末端输出的光束由结构光通道接收，该光束经过结构光通道后产生结构光，且所述结构光由结构光通道输出至照明通道外。本发明克服了已有技术的不足，可用于扩张鼻内腔脑外科手术中。
-
公开(公告)号：CN119888011A
公开(公告)日：2025-04-25
申请号：CN202411952896.3
申请日：2024-12-27
Applicant: 哈尔滨工业大学
IPC: G06T11/60 , G06T5/70 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 具有反编辑概念擦除功能的文生图模型训练方法，属于文生图模型的概念擦除领域。解决了传统概念擦除方法无法阻止用户通过编辑产生包含目标概念且符合用户要求的图像的问题。本发明通过所构建的微调后文生图模型预测出的无条件噪声与先验引导计算后，会将擦除引导引入图像推断过程中、并且不受输入文本的限制。在训练阶段构造有损失函数#imgabs0#损失函数#imgabs1#和损失#imgabs2#来得到总损失，通过对有条件噪声与无条件噪声上均进行微调，以达到用户输入文本在不包含目标概念信息的情况下也能实现概念擦除，进而实现在生成与编辑中阻止目标概念图像产生的效果。本发明主要用于在文生图领域中，在不包含目标概念信息的情况下也能实现概念擦除。
-
Patent Agency Ranking
公开(公告)号：CN119762891A
公开(公告)日：2025-04-04
申请号：CN202411973769.1
申请日：2024-12-30
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/25 , G06V10/44 , G06N5/022 , G06N3/0499 , G06N3/09
Abstract: 基于多模态大模型的工业图像异常检测方法，属于工业异常检测领域，本发明为解决多模态大模型进行工业异常检测时存在可扩展性和适应性差、在图像中识别微小异常能力弱的问题。本发明包括步骤1、基于工业异常检测数据集构建知识理解训练任务，步骤2、利用专家引导的图像采样模块预测异常图并提取N个感兴趣区域，将N个感兴趣区域连同输入的原图一起输入视觉编码器中，以提取视觉特征，并输出大语言模型能识别的视觉编码；步骤3、构建视觉语言对齐的工业异常检测指令集；步骤4、利用知识理解训练任务和工业异常检测指令集对多模态大模型进行微调；步骤5、利用训练好的多模态大模型对工业产品进行异常检测。
-
公开(公告)号：CN118762230A
公开(公告)日：2024-10-11
申请号：CN202411064927.1
申请日：2024-08-05
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 实现类别平衡采样的主动‑类增量图像分类方法及装置，涉及增量任务的图像分类领域。解决现有面向无标签图像集合在基于主动学习的类增量图像分类模型进行样本选择时呈现严重的类别不平衡现象的问题。本发明采用本发明所设计的改进贪心采样算法来选出一批有价值样本，使得挑选样本所服从的分布接近全体样本的分布，进而实现采样的类别平衡。该改进贪心采样算法通过计算所选样本构成的分布以及本簇中全部样本构成的分布的相似程度来决定每个样本是否有价值被选择。本发明主要用于实现增量任务的图像分类。
-
公开(公告)号：CN116739923B
公开(公告)日：2024-08-06
申请号：CN202310605927.7
申请日：2023-05-26
Applicant: 哈尔滨工业大学
IPC: G06T5/00 , G06T5/60 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/0475 , G06N3/0985 , G06N3/084
Abstract: 基于元学习框架的人脸区域引导的图像盲复原方法，属于图像盲复原领域。本发明针对自然场景图像的盲复原方法复原结果质量差的问题。包括由低质量自然场景图像中截取低质量人脸图像；采用人脸复原网络、深度图像盲复原主干网络和自适应人脸评估模块对低质量人脸图像进行处理得到元学习框架的内循环损失，更新深度图像盲复原主干网络的参数；再采用更新后的深度图像盲复原主干网络对低质量自然场景图像进行复原，计算外循环的损失，再更新网络参数对网络进行训练；最后采用训练后深度图像盲复原主干网络结合人脸复原网络和自适应人脸评估模块进行参数微调后，对待复原自然场景图像进行高质量复原。本发明用于自然场景图像的高质量复原。
-
公开(公告)号：CN113989558B
公开(公告)日：2024-04-30
申请号：CN202111263101.4
申请日：2021-10-28
Applicant: 哈尔滨工业大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/096 , G06N3/0895
Abstract: 基于迁移学习与边界框调节的弱监督目标检测方法，属于图像理解目标检测领域。解决了针对现有技术中依赖传统的候选框生成算法获取目标边界框结果的方式，仍然存在目标边界框回归能力较差，导致弱监督目标检测的定位性能差的缺陷的问题。本发明先利用多阶段迁移学习方法及辅助弱监督目标检测网络模块faux对可学习的边界框调节网络模块g进行训练，来提高训练后的可学习的边界框调节网络模块g′的精度，再利用训练后的可学习的边界框调节网络模块g′对所构建的目标弱监督目标检测网络模块f进行训练，更进一步的提升训练后的目标弱监督目标检测网络模块f′的目标边界框回归能力，最终提高目标检测精度。本发明主要应用于对图像中的目标进行检测。
-
公开(公告)号：CN117391969A
公开(公告)日：2024-01-12
申请号：CN202311358237.2
申请日：2023-10-19
Applicant: 哈尔滨工业大学
IPC: G06T5/00 , G06T5/60 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82
Abstract: 一种基于非理想监督的恶劣天气图像复原系统，属于图像复原领域。本发明针对现有恶劣天气下图像的复原网络利用合成数据集以有监督方式训练或者仅利用真实的退化图像进行无监督的训练，对图像的重建质量差的问题。包括采用一致性标签构造器对同场景下同时段采集的主退化图像和辅助退化图像进行特征提取，获得主退化图像的伪标签；图像复原网络，用于对主退化图像进行重建，得到去退化的初级重建图像；信息分配模块，用于基于伪标签优化项和原始非理想标签优化项对初级重建图像进行约束，得到高质量重建图像；基于伪标签优化项和原始非理想标签优化项更新图像复原网络的网络参数，获得最终图像复原网络。本发明用于恶劣天气图像复原。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.027 seconds)
