-
公开(公告)号：CN111444777A
公开(公告)日：2020-07-24
申请号：CN202010140887.X
申请日：2020-03-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种同时标记阴影的前视声呐目标检测标记方法，属于前视声呐图像目标检测领域，该方法对目标进行标记的同时也标记出目标的阴影；现有前视声呐目标检测标记方法只将目标进行标记，而对于前视声呐图像，目标的阴影包含了目标的形状特征，标记过程同时标记出目标的阴影，能够为检测器提供更丰富的信息。针对这种新提出的标记框，需要分目标和阴影两部分进行评价，目标检测框使用已有的交并比IOU评价；对于阴影检测框，阴影和目标之间可能出现多种位置关系，本发明提出了一种改进的阴影关键点相似度OKSS来评价阴影检测框的回归精度。
-
公开(公告)号：CN110363796A
公开(公告)日：2019-10-22
申请号：CN201810510986.5
申请日：2018-05-25
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于轻量卷积神经网络结构的前视声纳运动目标跟踪方法。(1)检测出目标首次出现时的那一帧图像的所在位置，经过去均值、L2正则化的预处理；(2)采用无需训练的两层卷积神经网络结构，对图像进行滑动窗口采样，采用k-means聚类的方法从图像块中聚类出滤波器作为卷积核，对目标图像周围的区域随机采样出m个样本，对每一个样本用滑动窗口的方法采样L个图像块；(3)采用稀疏表达的方式表示特征；(4)通过粒子滤波的跟踪框架进行跟踪。本发明易于使用、能很好地克服前视声纳图像中严重的噪声干扰、对目标的跟踪效果更好。该方法很大程度上提高了系统的处理帧率，使得跟踪过程的实时性有了很大保障。
-
公开(公告)号：CN109325527A
公开(公告)日：2019-02-12
申请号：CN201811031832.4
申请日：2018-09-05
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于水下目标自动识别分类领域，具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法；包括获取带有分割标注的常规光学图像数据集；利用数据集中各个图像对应的标注图像进行轮廓分割；选定一个卷积神经网络结构进行训练，得到源领域目标分类网络；对经过充分训练的源领域目标分类网络前部分的参数进行冻结，同时将分类网络的后部分参数设置为可训练状态；使用训练集对设置好的分类网络继续进行训练；训练完成后，使用验证集评估分类网络性能。本方法使用迁移学习方法，对使用非侧扫声呐图像训练好的卷积神经网络进行迁移，同时根据相似性原理，对源领域数据集进行预处理，从而提高了迁移学习效率，防止负迁移现象。
-
公开(公告)号：CN109118458A
公开(公告)日：2019-01-01
申请号：CN201811310145.6
申请日：2018-11-06
Applicant: 哈尔滨工程大学
IPC: G06T5/00
Abstract: 本发明涉及一种低照度彩色图像增强方法，本发明基于Retinex理论进行低照度彩色图像增强，假设原始图像是由光照图像与反射图像乘积得到，用图像平滑获得原始图像的平滑的图；将获得的平滑图加一个常数得到需要的光照图；原始彩色图像的三个通道图像分别除以光照图得到三个通道图像的反射图像；用原始图像像素灰度的均值加上一个常数作为新的光照图；最后将三个通道反射图与新的光照图相乘然后合并三通道获得最终的增强图像。本发明解决现有基于Retinex理论进行低照度图像增强算法在增强图像的同时产生光晕与黑暗区域颜色出现马赛克现象的问题，得到一个更加自然的增强图像，算法步骤和理论简单，编程易于实现，保证算法的实时性。
-
Patent Agency Ranking
公开(公告)号：CN111445395B
公开(公告)日：2023-03-21
申请号：CN202010140389.5
申请日：2020-03-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，制作样本时，对原始侧扫声呐瀑布图像进行斜距校正后，从瀑布图像的左右两侧不含模糊区域的图像中截取图像并进行缩放来作为真实图像，并制作相同大小的掩模图像，根据掩模图像可以确定待修复图像中需要修复的中间区域。通过深度学习训练得到了深度学习网络的模型参数，对于要修复的声呐瀑布图像，则可以直接输入到该网络模型中，即可得到修复后的声呐瀑布图像，修复后的图像能够消除斜距校正后中间区域的模糊，并实现图像中间不连续区域的平滑过渡，可以提升图像的整体视觉效果，还可以用于后续声呐瀑布图像的进一步处理，对于声呐瀑布图像的实际应用有着重要意义。
-
公开(公告)号：CN110689544A
公开(公告)日：2020-01-14
申请号：CN201910842331.2
申请日：2019-09-06
Applicant: 哈尔滨工程大学
Abstract: 本发明提出的是一种遥感图像细弱目标分割方法。先对原始的遥感图像进行数据增强和相应预处理，借助DenseNet的稠密连接思想对U-net进行改进，提出Dense-Unet网络结构。通过在网络结构中使用稠密卷积，加强了各卷积通道之间的级联关系，又通过对称结构和跳跃连接思想，进一步使得各层特征之间的联系更加紧密，能够更有效地学习到细弱目标特征。为了保证最后网络识别的实时性，降低参数量，又在每个稠密块之后引入瓶颈层和批归一化层。使用代价敏感向量权重调整目标函数,解决分割目标类别不均衡问题，进一步提升分割精度。最后使用集成学习方法，训练多个独立模型并进行组合，共同对图片中的目标类别信息进行预测。
-
公开(公告)号：CN111445395A
公开(公告)日：2020-07-24
申请号：CN202010140389.5
申请日：2020-03-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，制作样本时，对原始侧扫声呐瀑布图像进行斜距校正后，从瀑布图像的左右两侧不含模糊区域的图像中截取图像并进行缩放来作为真实图像，并制作相同大小的掩模图像，根据掩模图像可以确定待修复图像中需要修复的中间区域。通过深度学习训练得到了深度学习网络的模型参数，对于要修复的声呐瀑布图像，则可以直接输入到该网络模型中，即可得到修复后的声呐瀑布图像，修复后的图像能够消除斜距校正后中间区域的模糊，并实现图像中间不连续区域的平滑过渡，可以提升图像的整体视觉效果，还可以用于后续声呐瀑布图像的进一步处理，对于声呐瀑布图像的实际应用有着重要意义。
-
公开(公告)号：CN111444777B
公开(公告)日：2022-09-27
申请号：CN202010140887.X
申请日：2020-03-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种同时标记阴影的前视声呐目标检测标记方法，属于前视声呐图像目标检测领域，该方法对目标进行标记的同时也标记出目标的阴影；现有前视声呐目标检测标记方法只将目标进行标记，而对于前视声呐图像，目标的阴影包含了目标的形状特征，标记过程同时标记出目标的阴影，能够为检测器提供更丰富的信息。针对这种新提出的标记框，需要分目标和阴影两部分进行评价，目标检测框使用已有的交并比IOU评价；对于阴影检测框，阴影和目标之间可能出现多种位置关系，本发明提出了一种改进的阴影关键点相似度OKSS来评价阴影检测框的回归精度。
-
公开(公告)号：CN110991516A
公开(公告)日：2020-04-10
申请号：CN201911188861.6
申请日：2019-11-28
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于侧扫声呐图像识别技术领域，具体涉及一种基于风格迁移的侧扫声呐图像目标分类方法。本发明使用显著性检测方法及风格迁移网络，将常规光学图像转换成仿侧扫声呐图像，拉近了源领域及目标领域间的距离，增加了可直接迁移的基本特征数目，可有效提高迁移学习效率；同时，通过使用迁移学习方法，对经过充分训练的深度学习网络进行迁移，利用图像基本特征具有通用性的特点，可以有效降低优化参数数目，避免因训练样本不足无法应用深度学习技术的问题。本发明使用风格迁移及迁移学习方法，对使用人工生成的仿侧扫声呐图像训练好的卷积神经网络进行迁移，从而提高迁移学习效率，防止负迁移现象。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.02 seconds)
