-
公开(公告)号：CN119339206A
公开(公告)日：2025-01-21
申请号：CN202411393313.8
申请日：2024-10-08
Applicant: 哈尔滨工业大学
IPC: G06V10/82 , G06V10/764 , G06V10/771 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/096
Abstract: 本发明提供一种基于特征空间校准的植物病害小样本分类方法及系统，属于数据处理领域。为解决现有深度学习算法在图像分类时需要大量带注释的数据集，但部分植物病害发病率低，图像数据少，限制深度学习算法在植物病害识别中大规模应用的问题。利用FAS评分对移除全连接层后的Swin‑Transformer V2网络的每一个特征输出层进行打分分析，选择分值最高的层作为特征向量，得到Swin‑Transformer V2F6网络，再进行植物病害特征空间校准。本发明在小样本病害分类的准确率可有效提高，相对于需要使用大量带注释的数据集来说，可在少量数据集的基础上提高识别的准确性。
-
公开(公告)号：CN114926445A
公开(公告)日：2022-08-19
申请号：CN202210605942.7
申请日：2022-05-31
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/764 , G06N3/08 , G06N3/04 , G06V10/82
Abstract: 一种基于孪生网络的小样本农作物病害图像识别方法及系统，涉及图像识别领域，为解决现有小样本识别方法，易导致训练过拟合、识别准确率较低的问题。具体过程为：步骤一：每种病害类别的训练样本中分别随机选取一张图像作为参照样本；步骤二：设计孪生网络结构，按照三元组模式将一个参照样本、一个与参照样本病害类别相同的样本和一个其他病害类别的样本输入至网络，迭代训练后得到孪生网络模型，记录并保存各参照样本的映射结果；步骤三：分别设定各病害的距离判定阈值；步骤四：将待检测样本输入至孪生网络模型，计算其映射结果；并计算其与各参照样本间的距离，选取其中的最小值，将其与该类别的距离判定阈值比较并输出判定结果。
-
公开(公告)号：CN119206341A
公开(公告)日：2024-12-27
申请号：CN202411311373.0
申请日：2024-09-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06V20/10 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/0895 , G06N3/096
Abstract: 本发明一种基于无监督类别增量学习的植物病害识别方法、系统及存储介质，涉及植物病害识别技术领域，为解决现有的深度学习模型不能满足模型的实时更新和优化的应用需求，时效性较差，且存在新类别数据中没有标签标注时类别增量学习策略会失效的问题。包括：S1、将数据集按类别划分为多个阶段的类别集；S2、利用混合重放算法将当前任务的图像和从旧类别数据的缓存区中统一采样选择的随机图像之间进行插值，生成合成样本；S3、构建SimSiam模型，包括两个相同的神经网络分支，两个分支共享参数，基于两个网络分支的负余弦相似度构建损失函数，多阶段的训练所述SimSiam模型；S4、基于KNN算法对模型性能进行评估；S5、采用训练后的SimSiam模型对植物病害进行分类。
-
公开(公告)号：CN114898108B
公开(公告)日：2023-01-06
申请号：CN202210321733.X
申请日：2022-03-30
Applicant: 哈尔滨工业大学
Abstract: 一种基于FPGA的CNN模型轻量化方法、一种目标检测方法及系统，涉及目标检测技术领域，用以解决现有基于FPGA的CNN模型在目标检测中能量效率较低导致不能满足低功耗、低延时计算需求的问题。本发明的技术要点包括：对SqueezeNet网络模型的卷积层进行定点化，定点化是指对计算和内存存储中的浮点数进行定点表示和运算，包括对输入特征图的定点化、对卷积层参数的定点化和对卷积层激活函数的定点化，其中，输入特征图和卷积层参数均为单精度浮点数；进而还提供一种包含上述SqueezeNet网络模型的目标检测方法及系统。本发明降低了检测网络的计算复杂度，适用于特定场景下的边缘计算平台，提升了检测模型的能量使用效率。
-
公开(公告)号：CN114978196B
公开(公告)日：2023-02-03
申请号：CN202210469859.1
申请日：2022-04-30
Applicant: 哈尔滨工业大学
IPC: H03M13/13
Abstract: 一种多核极化码快速串行抵消列表译码方法，涉及极化码译码技术领域，用以解决现有的多核极化码串行抵消列表译码算法的高延迟问题。本发明的技术要点包括：对于由F2核矩阵和F3核矩阵组成的多核极化码，利用串行抵消列表译码算法进行译码，在对完全多叉树结构的深度优先遍历过程中，针对核矩阵为F2或F3的节点，提供递归计算各条路径的似然值和码字序列的不同公式；针对特殊外码Rate‑1和Rate‑0的节点，提供另外的更新流程，包括码字序列的计算和路径度量的更新计算。本发明丰富了极化码的码长应用范围，降低了对应的译码延迟。
-
Patent Agency Ranking
公开(公告)号：CN119478578A
公开(公告)日：2025-02-18
申请号：CN202411393939.9
申请日：2024-10-08
Applicant: 哈尔滨工业大学
IPC: G06V10/774 , G06N20/20
Abstract: 一种基于TOP2混合决策模型集成算法的图像识别方法及系统，属于图像数据处理技术领域。本发明的目的是为了降低模型的过拟合风险，并在各种数据集上都能显著提高模型的计算效率和测试精度。技术要点：初始化基模型随机种子、基于数据集训练多个基模型、决策矩阵初始化、基模型前向推断计算输出、更新决策矩阵、判断是否完成了所有的基模型的前向推断和对决策矩阵的更新并给出判断条件、重排决策矩阵、给出重排类别索引集合，根据最佳排序索引顺序导出类别索引的最佳排序集合、计算决策矩阵统计量、统计量符合统计显著性的判断。本发明适用于医疗影像分析、监控视频处理等多模型决策场景。
-
公开(公告)号：CN114898108A
公开(公告)日：2022-08-12
申请号：CN202210321733.X
申请日：2022-03-30
Applicant: 哈尔滨工业大学
Abstract: 一种基于FPGA的CNN模型轻量化方法、一种目标检测方法及系统，涉及目标检测技术领域，用以解决现有基于FPGA的CNN模型在目标检测中能量效率较低导致不能满足低功耗、低延时计算需求的问题。本发明的技术要点包括：对SqueezeNet网络模型的卷积层进行定点化，定点化是指对计算和内存存储中的浮点数进行定点表示和运算，包括对输入特征图的定点化、对卷积层参数的定点化和对卷积层激活函数的定点化，其中，输入特征图和卷积层参数均为单精度浮点数；进而还提供一种包含上述SqueezeNet网络模型的目标检测方法及系统。本发明降低了检测网络的计算复杂度，适用于特定场景下的边缘计算平台，提升了检测模型的能量使用效率。
-
公开(公告)号：CN119496530A
公开(公告)日：2025-02-21
申请号：CN202411672284.9
申请日：2024-11-21
Applicant: 哈尔滨工业大学
Abstract: 一种无线充电智能反射面辅助无线信能同传系统参数优化方法，属于无线通信技术领域。本发明针对现有无线信能同传系统参数设计不能使无线信能同传高效率运行的问题。包括：基于主动波束形成w、智能反射面被动波束形成Θ和用户功率分割比ρ，以加权速率和最大为目标建立非凸初始优化函数；同时设定约束条件；对非凸初始优化函数使用拉格朗日对偶变换，通过引入辅助变量的方法提取信噪比项后，再引入辅助变量进行二次变换，得到解耦后优化函数；使用交替优化的方法对解耦后优化函数进行迭代求解，直到相邻迭代结果中得到的加权速率和的差值满足预设精度值，输出参数优化值。本发明用于无线信能同传系统的参数优化。
-
公开(公告)号：CN114926445B
公开(公告)日：2024-03-26
申请号：CN202210605942.7
申请日：2022-05-31
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/764 , G06N3/084 , G06N3/0464 , G06V10/82
Abstract: 一种基于孪生网络的小样本农作物病害图像识别方法及系统，涉及图像识别领域，为解决现有小样本识别方法，易导致训练过拟合、识别准确率较低的问题。具体过程为：步骤一：每种病害类别的训练样本中分别随机选取一张图像作为参照样本；步骤二：设计孪生网络结构，按照三元组模式将一个参照样本、一个与参照样本病害类别相同的样本和一个其他病害类别的样本输入至网络，迭代训练后得到孪生网络模型，记录并保存各参照样本的映射结果；步骤三：分别设定各病害的距离判定阈值；步骤四：将待检测样本输入至孪生网络模型，计算其映射结果；并计算其与各参照样本间的距离，选取其中的最小值，将其与该类别的距离判定阈值比较并输出判定结果。
-
公开(公告)号：CN110120042B
公开(公告)日：2023-07-14
申请号：CN201910400617.5
申请日：2019-05-13
Applicant: 哈尔滨工业大学
Abstract: 一种基于SLIC超像素和自动阈值分割的农作物图像病虫害区域提取方法，涉及基于图像处理的农作物病虫害检测领域。本发明通过对上传图像信息进行图像预处理，然后根据SLIC超像素分割算法将图像分割为若干超像素区域，从而提取病虫害叶片的边缘信息；以分割为超像素的图片为基础，通过直方图相交法合并超像素区域，从而将农作物叶片从背景干扰中提取出来。最后通过对叶片进行像素点遍历，利用叶片图像中正常区域与病虫害区域图像纹理相差较大的原理，设置自动阈值迭代将病虫害区域与健康区域分割开，具有较高的提取精度和效率。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.024 seconds)
