-
公开(公告)号：CN113838064A
公开(公告)日：2021-12-24
申请号：CN202111115253.X
申请日：2021-09-23
Applicant: 哈尔滨工程大学
Abstract: 本发明属于遥感图像处理技术领域，具体涉及一种基于分支GAN使用多时相遥感数据的云去除方法。本发明设计了一个深度卷积编码器‑解码器网络模型用于遥感图像云检测，以及一个分支GAN模型用于遥感图像的云去除，在保证云去除效果的同时，提升了重建像素的分辨率。本发明利用最大池化索引来进行输入图像特征图的非线性上采样，减少了端到端训练的参数量，提高了网络训练的时间；采用分支UNet结构来融合多时相遥感图像的特征信息，通过共享底层的语义信息，有效提高遥感图像云去除的精度。
-
公开(公告)号：CN112562702A
公开(公告)日：2021-03-26
申请号：CN202011374653.8
申请日：2020-11-30
Applicant: 哈尔滨工程大学
IPC: G10L21/003 , G10L25/18 , G10L25/24
Abstract: 本发明提供一种基于循环帧序列的门控循环单元网络的语音超分辨率方法，包括如下步骤：(1)对原始语音信号进行预处理；(2)提出构建CFS‑GRU模型；(3)完成基于循环帧序列网络的语音超分辨率。本发明基于GRU搭建的循环结构模型，直接将语音信号序列作为输入，很大程度上减小了计算代价，并且相比于传统方法有着较好的超分辨率效果；相比于LSTM，GRU模型有着较少的模型参数，通过GRU搭建的CFS‑GRU模型能够更快的训练和收敛。使用SegSNRLoss作为损失函数训练的CFS‑GRU模型能够更快的收敛，并且能够使输出帧序列有着较高的信噪比，提高超分辨率语音信号的质量。
-
公开(公告)号：CN116630794B
公开(公告)日：2024-02-06
申请号：CN202310457764.2
申请日：2023-04-25
Applicant: 北京卫星信息工程研究所 , 哈尔滨工程大学
IPC: G06V20/10 , G06V10/77 , G06V10/80 , G06V10/766 , G06V10/764 , G06T7/73 , G06V10/82 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于排序样本选择的遥感图像目标检测方法、电子设备，获取遥感图像及对应的目标标签，并进行预处理；通过特征提取主干网络以及特征金字塔网络，得到对应的多尺度特征图；构建分类分支网络以及位置及角度回归分支网络，对多尺度特征图进行预测，获得目标预测值；利用目标标签以及预测值，在多尺度特征图上计算得到交并比自适应阈值，筛选样本点以获得满足条件的正负样本；计算分类排序损失、定位排序损失以及回归损失进行网络训练；重复执行上述步骤，训练检测模型；利用检测模型进行检测。本发明，缓解正负样本不均衡导致传统分类能力难以学习的问题，促进目标检测性能提升，对高分辨率遥感图像旋转框目标检测具有重要意义。
-
公开(公告)号：CN112562706B
公开(公告)日：2023-05-05
申请号：CN202011376556.2
申请日：2020-11-30
Applicant: 哈尔滨工程大学
IPC: G10L21/02 , G10L21/0208 , G10L25/03
Abstract: 本发明提供一种基于时间潜在域特定说话人信息的目标语音提取方法，包括时间潜在域特征转换模型、目标说话人特征信息指导器与增强提取模块；待处理的复杂声学环境语音信息经过时间潜在域特征转换模型的处理将映射到潜在空间的特征矩阵，此特征矩阵将分别进入目标说话人特征信息指导器与增强提取模块；在目标说话人特征信息指导器中，特征矩阵将被判定为与某一特定的目标说话人潜在特征具有相关性，或者不包含目标说话人特征。本发明能实现从复杂声学环境语音信号到特定目标语音信号的端到端处理，能高效提取出针对特定任务的目标说话人信息，而不受其他干扰信号的影响，保障了模型传递给后续任务的特定目标语音信号具备极高的语音质量与可感知性。
-
公开(公告)号：CN114155835A
公开(公告)日：2022-03-08
申请号：CN202111475701.7
申请日：2021-12-06
Applicant: 哈尔滨工程大学
IPC: G10L15/02 , G10L15/06 , G10L15/16 , G10L15/26 , G10L25/30 , G10L25/51 , G06F40/216 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种音频语意概述方法，具体为一种融合全局场景与局部事件信息的音频语意概述方法，首先对实际场景中产生的音频进行建模分析，随后从声学场景的宏观全局特性入手，并融合了对于场景内各音频事件的精细化感知，最终生成贴合人类自然语言逻辑的语意概述文本，本发明对于声学场景中局部声音事件的精细化感知为构建音频特征的语意信息与自然语言语意信息的映射提供了细粒度的信息感知方式，能够有效规避传统方法对于音频事件的误识别与内容忽略，有助于构建更高语意层次的人机交互过程；此外，本发明提供了全新的注意力计算机制，相比传统注意力机制降低了计算成本。
-
Patent Agency Ranking
公开(公告)号：CN114154538A
公开(公告)日：2022-03-08
申请号：CN202111421620.9
申请日：2021-11-26
Applicant: 哈尔滨工程大学
Abstract: 本发明属于工业声音异常检测技术领域，具体涉及一种基于相位编码和设备信息的工业声音异常检测系统。本发明能借助相位信息补足工业声音信号的精细度，获得高精度的声学特征，能够对高精度的声学特征进行建模，着重提升系统对于异常信息的敏感度，同时感知到不同工业设备之间的细微差异，规避了设备之间产生的声学干扰，并对建模结果进行高效率高精度的异常分数判定，具备优秀的工业声音异常检测性能。
-
公开(公告)号：CN113269691A
公开(公告)日：2021-08-17
申请号：CN202110584825.2
申请日：2021-05-27
Applicant: 北京卫星信息工程研究所 , 哈尔滨工程大学
Abstract: 本发明公开的属于SAR图像去噪方法技术领域，具体为一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法，该基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法的具体实施方案如下：利用图像增广和图像重进消除噪声特性对于模型训练过程的影响，本发明构建的网络具有训练初期收敛效率高，末期收敛情况与其他基准模型相同的特征，利用稀疏表示与卷积滤波器的特性，进一步节省了训练时间，提高了模型的迭代效率，借助图像增广丰富数据以及图像重建消除噪声特性的设计，本发明有效地降低了SAR图像去噪过程对无噪声SAR图像的需求度，减少了实际任务中在无噪声SAR图像获取过程投入的开支，并取得更为优秀的SAR图像去噪效果。
-
公开(公告)号：CN113838064B
公开(公告)日：2023-12-22
申请号：CN202111115253.X
申请日：2021-09-23
Applicant: 哈尔滨工程大学
IPC: G06V10/26 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06V20/70 , G06T7/33 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/048
Abstract: 本发明属于遥感图像处理技术领域，具体涉及一种基于分支GAN使用多时相遥感数据的云去除方法。本发明设计了一个深度卷积编码器‑解码器网络模型用于遥感图像云检测，以及一个分支GAN模型用于遥感图像的云去除，在保证云去除效果的同时，提升了重建像素的分辨率。本发明利用最大池化索引来进行输入图像特征图的非线性上采样，减少了端到端训练的参数量，提高了网络训练的时间；采用分支UNet结构来融合多时相遥感图像的特征信息，通过共享底层的语义信息，有效提高遥感图像云去除的精度。
-
公开(公告)号：CN112562702B
公开(公告)日：2022-12-13
申请号：CN202011374653.8
申请日：2020-11-30
Applicant: 哈尔滨工程大学
IPC: G10L21/003 , G10L25/18 , G10L25/24
Abstract: 本发明提供一种基于循环帧序列的门控循环单元网络的语音超分辨率方法，包括如下步骤：(1)对原始语音信号进行预处理；(2)提出构建CFS‑GRU模型；(3)完成基于循环帧序列网络的语音超分辨率。本发明基于GRU搭建的循环结构模型，直接将语音信号序列作为输入，很大程度上减小了计算代价，并且相比于传统方法有着较好的超分辨率效果；相比于LSTM，GRU模型有着较少的模型参数，通过GRU搭建的CFS‑GRU模型能够更快的训练和收敛。使用SegSNRLoss作为损失函数训练的CFS‑GRU模型能够更快的收敛，并且能够使输出帧序列有着较高的信噪比，提高超分辨率语音信号的质量。
-
公开(公告)号：CN113269691B
公开(公告)日：2022-10-21
申请号：CN202110584825.2
申请日：2021-05-27
Applicant: 北京卫星信息工程研究所 , 哈尔滨工程大学
IPC: G06T5/00 , G06N3/04 , G06N3/08 , G06V10/774
Abstract: 本发明公开的属于SAR图像去噪方法技术领域，具体为一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法，该基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法的具体实施方案如下：利用图像增广和图像重进消除噪声特性对于模型训练过程的影响，本发明构建的网络具有训练初期收敛效率高，末期收敛情况与其他基准模型相同的特征，利用稀疏表示与卷积滤波器的特性，进一步节省了训练时间，提高了模型的迭代效率，借助图像增广丰富数据以及图像重建消除噪声特性的设计，本发明有效地降低了SAR图像去噪过程对无噪声SAR图像的需求度，减少了实际任务中在无噪声SAR图像获取过程投入的开支，并取得更为优秀的SAR图像去噪效果。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.025 seconds)
