-
公开(公告)号：CN103136736A
公开(公告)日：2013-06-05
申请号：CN201310087912.2
申请日：2013-03-19
Applicant: 哈尔滨工业大学
IPC: G06T5/00
Abstract: 一种高光谱遥感数据非线性降维方法，本发明涉及到高光谱遥感数据的降维方法。本发明是要解决现有的高光谱数据线性降维方法对非线性特征保留较少的技术问题，本方法：先将高光谱遥感数据进行坏带去除、低通滤波后组织成N行D列的二维矩阵，再将高光谱数据的像素向量映射到高维的特征空间中，重构流形，再找到流形的原点，构建局部黎曼法坐标，再计算最短路径，再运用黎曼流形学习算法将所有数据点映射到原点的切空间中，映射完后的数据集构成的点组织成N行k列二维矩阵，完成高光谱遥感数据非线性降维。本发明的方法用于处理高光谱遥感数据。
-
公开(公告)号：CN117611896B
公开(公告)日：2024-05-07
申请号：CN202311580794.9
申请日：2023-11-24
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464
Abstract: 一种多模态遥感数据分类的基础模型自适应方法，属于图像处理技术领域。本发明解决了现有技术中难于直接使用预训练好的基础模型实现多模态遥感数据的分类问题。要点：获取多模态遥感数据；预处理多模态遥感数据；建立映射层，选取基础模型；构建跨空间交互模块实现通用特征和多模态数据中的空间特征的交互，沿多模态遥感数据的空间维度生成可学习的空间编码向量集合，并将其加到特征编码向量集合中，输出空间特征；构建跨通道交互模块，在基础模型的编码器模块的多头注意力机制MSA中，增加通用特征与多模态数据中通道维度的特征交互，输出光谱特征；将空间特征和光谱特征输入到全连接层中得到分类结果。本发明提升了多模态遥感数据的分类精度。
-
公开(公告)号：CN117611896A
公开(公告)日：2024-02-27
申请号：CN202311580794.9
申请日：2023-11-24
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464
Abstract: 一种多模态遥感数据分类的基础模型自适应方法，属于图像处理技术领域。本发明解决了现有技术中难于直接使用预训练好的基础模型实现多模态遥感数据的分类问题。要点：获取多模态遥感数据；预处理多模态遥感数据；建立映射层，选取基础模型；构建跨空间交互模块实现通用特征和多模态数据中的空间特征的交互，沿多模态遥感数据的空间维度生成可学习的空间编码向量集合，并将其加到特征编码向量集合中，输出空间特征；构建跨通道交互模块，在基础模型的编码器模块的多头注意力机制MSA中，增加通用特征与多模态数据中通道维度的特征交互，输出光谱特征；将空间特征和光谱特征输入到全连接层中得到分类结果。本发明提升了多模态遥感数据的分类精度。
-
公开(公告)号：CN110794374B
公开(公告)日：2022-05-17
申请号：CN201911089196.5
申请日：2019-11-08
Applicant: 哈尔滨工业大学
IPC: G01S7/36
Abstract: 一种间歇采样转发干扰的参数辨识方法，解决了现有间歇采样转发干扰的参数辨识方法复杂的问题，属于雷达有源干扰对抗技术领域。所述方法包括：S1、利用截断矩形窗对雷达回波进行分段，对每段信号进行最优阶次分数阶傅里叶变换，再进行拼接；S2、改变截断矩形窗的长度，利用S1获得多个拼接的信号，搜索出所述多个拼接信号中复杂度最低的信号xopt(u)，并根据信号xopt(u)的分布特性，辨识出干扰参数的估计结果。根据处理结果峰值脉冲的分布特性及辨识出的参数，可以实现干扰的具体转发策略的精细化辨识；采用线性调频信号的分数阶傅里叶变换滤波技术，可以滤除干扰信号保留目标信号，同时去除噪声，从而实现间歇采样转发干扰的对抗。
-
公开(公告)号：CN107067043B
公开(公告)日：2020-07-24
申请号：CN201710379786.6
申请日：2017-05-25
Applicant: 哈尔滨工业大学
Abstract: 一种农作物病虫害检测方法，涉及一种农作物病虫害的检测方法。本发明为了解决现有的针对于农作物病虫害的智能检测准确率不高的问题和分类精度波动大的问题。本发明首先将具有明确标签的可见光农作物病虫害图像进行预处理，然后搭建十八层网络结构的卷积神经网络，用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练，得到训练好的卷积神经网络，并对具有明确标签的可见光农作物病虫害图像的特征进行提取；利用提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型；对新上传的农作物病虫害可见光图片特征提取，再用训练好的支持向量机模型对提取到的特征进行分类。本发明适用于农作物的病虫害检测。
-
Patent Agency Ranking
公开(公告)号：CN110764064A
公开(公告)日：2020-02-07
申请号：CN201911089194.6
申请日：2019-11-08
Applicant: 哈尔滨工业大学
Abstract: 基于深度卷积神经网络集成的雷达干扰信号识别方法，属于雷达信号识别领域，本发明为解决采用现有深度学习模型识别雷达信号存在过拟合、模型泛化能力差，导致识别系统识别准确率低、鲁棒性弱的问题。本发明方法包括以下步骤：步骤一、将雷达干扰信号时域数据集划分为训练集、验证集以及测试集三部分；步骤二、对训练集X做有放回的随机采样T次，获得T个相互独立的采样训练集；步骤三、采用一维CNN卷积神经网络作为特征提取器、采用支持向量机作为分类器来构造个体学习器，根据步骤二的T个采样训练集来训练T个个体学习器以构造同质集成，构建模型；步骤四、将待测雷达干扰信号输入至步骤三的模型中进行识别。
-
公开(公告)号：CN103136736B
公开(公告)日：2015-06-17
申请号：CN201310087912.2
申请日：2013-03-19
Applicant: 哈尔滨工业大学
IPC: G06T5/00
Abstract: 一种高光谱遥感数据非线性降维方法，本发明涉及到高光谱遥感数据的降维方法。本发明是要解决现有的高光谱数据线性降维方法对非线性特征保留较少的技术问题，本方法：先将高光谱遥感数据进行坏带去除、低通滤波后组织成N行D列的二维矩阵，再将高光谱数据的像素向量映射到高维的特征空间中，重构流形，再找到流形的原点，构建局部黎曼法坐标，再计算最短路径，再运用黎曼流形学习算法将所有数据点映射到原点的切空间中，映射完后的数据集构成的点组织成N行k列二维矩阵，完成高光谱遥感数据非线性降维。本发明的方法用于处理高光谱遥感数据。
-
公开(公告)号：CN104392427A
公开(公告)日：2015-03-04
申请号：CN201410748877.9
申请日：2014-12-09
Applicant: 哈尔滨工业大学
IPC: G06T5/50
Abstract: 经验模态分解和稀疏表示相结合的SAR图像去噪方法，属于图像去噪技术领域。本发明是为了解决传统基于经验模态分解的SAR图像去噪方法对SAR图像中的细节保留不足，造成目标缺失，影响去噪效果的问题。它是将待处理SAR图像转换为原始趋势图像；然后对原始趋势图像进行分解和去噪，它利用经验模态分解的时频特性、分解后图像的稀疏性以及稀疏表示对噪声不敏感的特性，通过对高频分量噪声部分的分析，对高频分量进行稀疏分解，再通过估计高频分量重噪声方差进行稀疏分解的重构和经验模态分解重构，最终实现了SAR图像的噪声抑制。本发明用于SAR图像去噪。
-
公开(公告)号：CN104392244A
公开(公告)日：2015-03-04
申请号：CN201410765174.7
申请日：2014-12-11
Applicant: 哈尔滨工业大学
IPC: G06K9/62
CPC classification number: G06K9/6267 , G06K9/66
Abstract: 基于堆栈自动编码机的合成孔径雷达图像分类方法，属于雷达图像分类技术领域。本发明是为了解决SAR图像数据由于噪声污染严重以及非线性特性，造成分类精度低的问题。它首先采集N幅原始SAR图像进行数据准备，获得SAR图像数据及SAR监督数据；由SAR图像数据获得训练图像数据和测试图像数据；由SAR监督数据获得训练监督数据及测试监督数据；使用训练图像数据对各层自动编码机进行预训练，在预训练的基础上，使用训练监督数据对网络进行有监督学习，微调网络，获得训练好的基于堆栈自动编码机的网络；将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像分类。本发明用于合成孔径雷达图像的分类。
-
公开(公告)号：CN102663815B
公开(公告)日：2014-11-26
申请号：CN201210090628.6
申请日：2012-03-30
Applicant: 哈尔滨工业大学
IPC: G06T17/00
Abstract: 一种基于水平集的LOD2建筑物模型构建方法，属于应用水平集算法对DSM数据的分割处理领域。为了解决现有的基于二维图像的建筑物模型构建方法中存在的顶面结构不够细致而导致构建精度不高的问题。具体过程为：提取建筑物轮廓掩膜Ωm，选取DSM数据，配入到统一坐标系下；获取建筑物顶面数据T；获取建筑物顶面数据T的特征空间；进行多相水平集分割，获取子区域；提取每个子区域的点集，检测每个片元的边界点，获取建筑物每个基元的角点的图像坐标；建立建筑物顶面数据T的拓扑结构；根据航拍可见光图像提取建筑物表面的纹理数据，与建筑物不同基元相对应，完成LOD2建筑物模型的构建。用于LOD2级别的大规模建筑物的三维构建任务。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.027 seconds)
