-
公开(公告)号：CN111415471A
公开(公告)日：2020-07-14
申请号：CN202010204112.4
申请日：2020-03-21
Applicant: 哈尔滨工程大学
IPC: G07F17/12
Abstract: 本发明提供的是一种智能超容自取快递柜。包括柜状快递柜，在柜状快递柜的上部设置有圆柱体式快递柜，所述圆柱体式快递柜包括圆柱式柜体，在圆柱式柜体的中心设置中心轴，中心轴上设置悬挂连接杆，中心轴的下端设置驱动电机，圆柱式柜体的底部开有取件门、侧壁开有存件门。本发明打破传统的柜式以及固定空间式的局限性，采取圆柱体式的存放袋状快递结合柜体式存放盒装快递的方法。快递柜以单个存储柱体为单元，可以进行多个储存空间的串接，增大储存空间。柜式仿照以往柜式快递柜，组合在柱式下部。
-
公开(公告)号：CN113792574B
公开(公告)日：2023-12-19
申请号：CN202110796949.7
申请日：2021-07-14
Applicant: 哈尔滨工程大学
IPC: G06V40/16 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明提出的基于距离度量学习的方法对图像进行权重加权，它显式地减少了训练过程中表情特征之间的类内差异从而使预测的精度更高；本发明使用教师学生模型进行全监督学习从而扩大训练数据的规模和提高训练数据的标签质量，提高深度卷积神经网络模型的性能。本发明采用源数据集和目标数据集的融合在精度和泛化能力之间提供了最佳的折衷，来达到跨数据集人脸表情识别一个较好的结果，提供了一个融合数据集的可选择方案，解决了数据集规模小和跨数据集表情识别忽略源数据集性能的问题；本发明解决了数据集标签错误多的缺点，进而提高深度卷积神经网络的分类精度。
-
公开(公告)号：CN115019132B
公开(公告)日：2024-10-15
申请号：CN202210671911.1
申请日：2022-06-14
Applicant: 哈尔滨工程大学
IPC: G06V10/774 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/80 , G06V10/82 , G06F17/16
Abstract: 本发明属于深度学习及目标识别技术领域，具体涉及一种用于复杂背景船舶的多目标识别方法。本发明利用环形注意力引导的CNN输出高级特征，以增加对复杂背景图像上目标所在区域的空间信息的获取，特别是具有不同尺度大小的复杂空间位置的船舶目标；通过低级特征通过层间相关反卷积对目标区域中局部特征的关键像素值进行加权，得到复杂背景下详细特征分布的图像；通过循环注意力引导低层特征和高层特征进行联合学习，增强了高层目标区域表达局部细节特征的能力。本发明能够在真实海况、复杂多场景海况、目标类别样本量不均衡的情况下实现船舶多目标识别，在船舶工业与海事管理等领域有较好的使用前景。
-
公开(公告)号：CN113869418B
公开(公告)日：2024-07-02
申请号：CN202111147583.7
申请日：2021-09-29
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于全局注意力关系网络的小样本船舶目标识别方法，包括以下步骤：S1：使用Meta‑Learning数据划分方式生成小样本任务集，并进行模型加载及训练；S2：搭建跨目标全局注意力机制模型；S3：搭建基于跨目标全局注意力机制的RN网络结构；S4：使用Cosine距离度量样本特征相似度，并对距离长度进行比较目标样本特征；S5：使用训练优化方法训练网络。本发明提供的基于全局注意力关系网络的小样本船舶目标识别方法，能够在真实海况、复杂多场景海况、目标类别样本量不均衡的情况下实现小样本船舶目标识别，在船舶工业与海事管理等领域有较好的使用前景。
-
Patent Agency Ranking
公开(公告)号：CN115019132A
公开(公告)日：2022-09-06
申请号：CN202210671911.1
申请日：2022-06-14
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习及目标识别技术领域，具体涉及一种用于复杂背景船舶的多目标识别方法。本发明利用环形注意力引导的CNN输出高级特征，以增加对复杂背景图像上目标所在区域的空间信息的获取，特别是具有不同尺度大小的复杂空间位置的船舶目标；通过低级特征通过层间相关反卷积对目标区域中局部特征的关键像素值进行加权，得到复杂背景下详细特征分布的图像；通过循环注意力引导低层特征和高层特征进行联合学习，增强了高层目标区域表达局部细节特征的能力。本发明能够在真实海况、复杂多场景海况、目标类别样本量不均衡的情况下实现船舶多目标识别，在船舶工业与海事管理等领域有较好的使用前景。
-
公开(公告)号：CN113608663B
公开(公告)日：2023-07-25
申请号：CN202110783266.8
申请日：2021-07-12
Applicant: 哈尔滨工程大学
IPC: G06F3/04883 , G06V10/44 , G06V10/56 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习和K‑曲率法的指尖跟踪方法，首先利用YOLOv3网络模型训练预处理后的数据集，获取指尖检测模型；再利用摄像头获取视频流，输入检测模型并检测出检测框信息，初始化卡尔曼滤波器；然后利用卡尔曼滤波器得到预测框，计算出本帧检测框和预测框的IOU，设定IOU阈值，判断该IOU是否大于IOU阈值，若该IOU大于IOU阈值则更新卡尔曼滤波器得到指尖跟踪框；否则，利用K‑曲率法对指尖位置进行校正，并更新卡尔曼滤波器；最后设定一个时间阈值T‑max，在该时间阈值帧内未检测跟踪信息，则终止跟踪。本发明减弱了复杂环境对检测准确性的影响，提升了检测速度，增加了准确性和鲁棒性。
-
公开(公告)号：CN113869418A
公开(公告)日：2021-12-31
申请号：CN202111147583.7
申请日：2021-09-29
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于全局注意力关系网络的小样本船舶目标识别方法，包括以下步骤：S1：使用Meta‑Learning数据划分方式生成小样本任务集，并进行模型加载及训练；S2：搭建跨目标全局注意力机制模型；S3：搭建基于跨目标全局注意力机制的RN网络结构；S4：使用Cosine距离度量样本特征相似度，并对距离长度进行比较目标样本特征；S5：使用训练优化方法训练网络。本发明提供的基于全局注意力关系网络的小样本船舶目标识别方法，能够在真实海况、复杂多场景海况、目标类别样本量不均衡的情况下实现小样本船舶目标识别，在船舶工业与海事管理等领域有较好的使用前景。
-
公开(公告)号：CN113792574A
公开(公告)日：2021-12-14
申请号：CN202110796949.7
申请日：2021-07-14
Applicant: 哈尔滨工程大学
Abstract: 本发明提出的基于距离度量学习的方法对图像进行权重加权，它显式地减少了训练过程中表情特征之间的类内差异从而使预测的精度更高；本发明使用教师学生模型进行全监督学习从而扩大训练数据的规模和提高训练数据的标签质量，提高深度卷积神经网络模型的性能。本发明采用源数据集和目标数据集的融合在精度和泛化能力之间提供了最佳的折衷，来达到跨数据集人脸表情识别一个较好的结果，提供了一个融合数据集的可选择方案，解决了数据集规模小和跨数据集表情识别忽略源数据集性能的问题；本发明解决了数据集标签错误多的缺点，进而提高深度卷积神经网络的分类精度。
-
公开(公告)号：CN113608663A
公开(公告)日：2021-11-05
申请号：CN202110783266.8
申请日：2021-07-12
Applicant: 哈尔滨工程大学
IPC: G06F3/0488 , G06K9/46 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习和K‑曲率法的指尖跟踪方法，首先利用YOLOv3网络模型训练预处理后的数据集，获取指尖检测模型；再利用摄像头获取视频流，输入检测模型并检测出检测框信息，初始化卡尔曼滤波器；然后利用卡尔曼滤波器得到预测框，计算出本帧检测框和预测框的IOU，设定IOU阈值，判断该IOU是否大于IOU阈值，若该IOU大于IOU阈值则更新卡尔曼滤波器得到指尖跟踪框；否则，利用K‑曲率法对指尖位置进行校正，并更新卡尔曼滤波器；最后设定一个时间阈值T‑max，在该时间阈值帧内未检测跟踪信息，则终止跟踪。本发明减弱了复杂环境对检测准确性的影响，提升了检测速度，增加了准确性和鲁棒性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.027 seconds)
