-
公开(公告)号：CN107992898A
公开(公告)日：2018-05-04
申请号：CN201711338999.0
申请日：2017-12-14
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种电子元件焊点缺陷方法，结合基于混合高斯模型密度估计和极限学习机方法，利用不平衡的小样本可以精确地建模为混合高斯模型的原理，用混合高斯模型替代普通的高斯模型，并且利用密度估计方法计算和补偿不平衡数据带来的分类界限偏差，从而解决极限学习机应用于电子元件焊点缺陷检测时存在的不平衡数据分类问题，获得优于其他机器学习方法的更高的检测准确率。本发明可以广泛应用于工业生产中电子元件焊点的检测。
-
公开(公告)号：CN107992898B
公开(公告)日：2019-07-23
申请号：CN201711338999.0
申请日：2017-12-14
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种电子元件焊点缺陷方法，结合基于混合高斯模型密度估计和极限学习机方法，利用不平衡的小样本可以精确地建模为混合高斯模型的原理，用混合高斯模型替代普通的高斯模型，并且利用密度估计方法计算和补偿不平衡数据带来的分类界限偏差，从而解决极限学习机应用于电子元件焊点缺陷检测时存在的不平衡数据分类问题，获得优于其他机器学习方法的更高的检测准确率。本发明可以广泛应用于工业生产中电子元件焊点的检测。
-
公开(公告)号：CN109727227A
公开(公告)日：2019-05-07
申请号：CN201811402574.6
申请日：2018-11-23
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种基于SPECT影像的甲状腺疾病诊断方法，使用一种改进的DenseNet网络结构的卷积神经网络进行图像分类，在Dense block中的跨层连接中增加对于权重有影响的参数，并使得以前各层的特征图的权重在训练中进行动态调整，从而使得网络具有更大的灵活性，提高分类性能。实施实例表明该方法能够获得优于其他深度学习方法的性能。本发明可以广泛应用于甲状腺疾病的诊断和其他图像分类问题。
-
公开(公告)号：CN108182388A
公开(公告)日：2018-06-19
申请号：CN201711337556.X
申请日：2017-12-14
Applicant: 哈尔滨工业大学(威海)
CPC classification number: G06K9/3233 , G06K9/00718 , G06K2209/21 , G06N3/08 , G06T7/246 , G06T7/262 , G06T7/73
Abstract: 本发明提供一种基于图像的运动目标跟踪方法，针对目前基于卷积神经网络的跟踪方法存在的运动目标的大小或者尺度发生变化的时候跟踪失效的问题，本发明应用深度学习技术，利用预训练好的网络对图像进行特征提取，采用相关滤波器的方法，对目标点进行跟踪。该发明利用C3D网络获取时间相关性信息提高跟踪的精确性，利用DenseNet网络结合特征金字塔网络的网络结构，提供多尺度跟踪的特性，从而实现当运动目标的大小或者尺度发生变化时的准确跟踪。本发明可以广泛应用于基于图像的运动目标跟踪中。
-
-
-
Search Results
4
records
(took 0.024 seconds)
