-
公开(公告)号：CN116011335A
公开(公告)日：2023-04-25
申请号：CN202310032555.3
申请日：2023-01-10
Applicant: 哈尔滨工程大学
IPC: G06F30/27 , G06F119/02 , G06F111/06
Abstract: 本发明公开了一种基于GA‑vSVR算法的船舶轨迹预测方法，本发明可以凭借船舶的历史AIS数据，输出船舶在未来一段时间的轨迹。该模型首先将vSVR应用于船舶轨迹预测领域，并应用了遗传算法对其参数进行优化。通过在训练集与测试集上的结果对比，发现其有良好的预测能力，将其与PSO‑vSVR模型、GS‑vSVR模型、GA‑SVR模型的预测结果对比，发现本发明的模型的效果优于其他模型。使用本模型，对其他船舶的AIS数据实行模型建立与预测发现，本发明的模型用于较为良好的泛化能力。本发明避免海上事故的发生，提出了一种由遗传算法优化的改进支持向量回归，利用船舶航行的AIS数据来构建船舶轨迹预测模型。
-
公开(公告)号：CN110689057B
公开(公告)日：2022-07-15
申请号：CN201910855228.1
申请日：2019-09-11
Applicant: 哈尔滨工程大学
IPC: G06K9/62 , G06V10/774 , G06T7/11 , G06T7/62 , G06T7/90
Abstract: 本发明提供的是一种基于图像分割的降低神经网络训练样本量的方法。将单张图片分割为不同区域；按照区域发展的先后顺序，给区域进行编号并且记录区域面积；设置一个面积阈值，区域小于阈值的区域舍弃；将保留下来的区域像素进行颜色空间的转化，将像素点的RGB值转化为HIS值，将相邻区域颜色差异大的区域保留，颜色差异小的将区域面积过小的一方舍弃；提取各区域的形状特征，将轮廓较为突出或较为光滑的区域留下，其他的区域舍弃；遍历整张图片，将被舍弃的区域显示为白色，保留的区域按原图显示，得到新图；判断是否将所有图片全部处理完，处理完就将新数据集送入网络训练；否则跳回循环。本发明在提高效率的同时也保留甚至提高了准确率。
-
公开(公告)号：CN112857360B
公开(公告)日：2022-06-17
申请号：CN202110300122.2
申请日：2021-03-22
Applicant: 哈尔滨工程大学
IPC: G01C21/00 , G01C21/20 , G01S13/86 , G01S13/937
Abstract: 本发明公开了一种船舶航行多信息融合方法，包括：步骤1：多目标船信息预处理；步骤2：船舶AIS信息中目标船状态插值；步骤3：雷达与AIS信息初步融合；步骤4：视觉图像信息再融合；步骤5：融合目标实时更新。本发明考虑了雷达、AIS、视觉图像三种信息，比以往仅考虑雷达和AIS目标融合算法相比，扩展了融合信息类别，可得到更为准确的融合目标信息；通过设定雷达和AIS融合后，再与视觉图像融合的步骤和策略，避免预先设定众多假设条件、主观约定等非客观情况，保证了融合目标的准确性和快速性；本发明通过视觉图像二维可视化方式，利用图像、文字和数据综合显示方式，更为直观反映目标融合的结果，提供了友好的人机交互模式。
-
公开(公告)号：CN113240046A
公开(公告)日：2021-08-10
申请号：CN202110611831.2
申请日：2021-06-02
Applicant: 哈尔滨工程大学
IPC: G06K9/62 , G06F16/583 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机视觉和自然语言处理领域，具体涉及的是一种基于知识的视觉问答任务下的多模态信息融合方法。本发明将外部知识作为一个单独的模态，拓展了基于知识的视觉问答的思路；使用纯正的注意力方法将自然语言问题、图像和三元组形式的知识这三个模态进行深层的融合，为基于知识的视觉问答任务提供了新颖有效地解决方案，本发明提出的多模态融合技术不局限于基于知识的视觉问答任务，可以将其扩展到其他多模态任务当中去；使用新颖有效地位置编码方法为图像的位置进行编码，比传统方法中不利用图像位置信息或者使用图像区域坐标作为位置信息，本发明中的位置编码更加有效，可以高效的解决基于知识的视觉问答任务中跟图像位置相关的问题。
-
公开(公告)号：CN113221962A
公开(公告)日：2021-08-06
申请号：CN202110428644.0
申请日：2021-04-21
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种解耦分类与回归任务的三维点云单阶段目标检测方法，步骤包括：(1)对于点云进行体素化处理，使数据从无须的点云变成有序的栅格结构，(2)利用三维稀疏卷积进行网络的特征提取从而得到高阶特征图，(3)在特征图中，使用双头的检测器聚合特征并预测出目标的分类、回归框以及方向。本发明为了解决目标检测子任务之间的特征纠缠问题，设计了双头的检测网络结构，能够在高维特征中分别提取分类与回归任务各自关注的特征，分别预测子任务。并且在解耦的基础上，利用联合检测的方法，将两个任务中相关信息相结合，共同预测目标类别。本发明提升了三维目标检测的准确率，并可以很容易的迁移到其他方法中。
-
Patent Agency Ranking
公开(公告)号：CN112857360A
公开(公告)日：2021-05-28
申请号：CN202110300122.2
申请日：2021-03-22
Applicant: 哈尔滨工程大学
IPC: G01C21/00 , G01C21/20 , G01S13/86 , G01S13/937
Abstract: 本发明公开了一种船舶航行多信息融合方法，包括：步骤1：多目标船信息预处理；步骤2：船舶AIS信息中目标船状态插值；步骤3：雷达与AIS信息初步融合；步骤4：视觉图像信息再融合；步骤5：融合目标实时更新。本发明考虑了雷达、AIS、视觉图像三种信息，比以往仅考虑雷达和AIS目标融合算法相比，扩展了融合信息类别，可得到更为准确的融合目标信息；通过设定雷达和AIS融合后，再与视觉图像融合的步骤和策略，避免预先设定众多假设条件、主观约定等非客观情况，保证了融合目标的准确性和快速性；本发明通过视觉图像二维可视化方式，利用图像、文字和数据综合显示方式，更为直观反映目标融合的结果，提供了友好的人机交互模式。
-
公开(公告)号：CN110737268A
公开(公告)日：2020-01-31
申请号：CN201910971882.9
申请日：2019-10-14
Applicant: 哈尔滨工程大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于Viterbi算法的确定指令的方法，包括步骤一：将指令库与模型中的标号进行映射并利用指令库集合训练出模型；步骤二：根据序列的实际情况将模型的初始值转换为Viterbi算法需要的首步值；步骤三：根据首步的初始值进行递推并更新路径信息；步骤四：递推终止并回溯最优路径；步骤五：根据解码得到的状态序列推断下一刻的状态。本发明利用Viterbi算法进行指令推理，任务的切入与切出没有明显的边界，该算法可靠性高、适应性强，且能够完成多任务切换的系统，更符合服务机器人的指令控制特性。
-
公开(公告)号：CN106097248B
公开(公告)日：2019-12-10
申请号：CN201610428922.1
申请日：2016-06-16
Applicant: 哈尔滨工程大学
IPC: G06T3/40
Abstract: 本发明属于机器视觉技术领域，具体涉及一种基于高分辨率图像知识先验的压缩感知方法及其混合视觉系统。本发明包括：设定混合视觉系统中高维图像和低维图像的中间维度；计算高维图像降维观测矩阵并对高维图像降维，计算低维图像升维观测矩阵并对低维图像升维；用SIFT匹配算法对得到的同维度的两幅图片进行匹配并计算匹配率；重复以上步骤直到找到可以得到最高匹配率的最优中间维度。使用了图像处理的手段，针对目标在混合视觉系统不同视觉基元中存在成像尺度偏差的特点，采用基于压缩感知技术实现对全景非线性压缩图像进行重构和基于降采样措施对透视图像进行降维。
-
公开(公告)号：CN110321937A
公开(公告)日：2019-10-11
申请号：CN201910526422.5
申请日：2019-06-18
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种Faster-RCNN结合卡尔曼滤波的运动人体跟踪方法，首先对Faster-RCNN算法进行简化，留下卷积神经网络和RPN网络，输入图像经过以上两个网络输出运动人体候选位置；然后对经典卡尔曼滤波算法进行改进，将原算法中定义为常值矩阵的噪声协方差矩阵改为时变矩阵，将原状态向量由四维扩展为八维，增加状态向量中运动人体位置框的宽度、高度和宽高变化率信息；最后将得到的运动人体候选位置作为卡尔曼滤波算法观测值，结合卡尔曼滤波算法预测值，得到多个运动人体位置的估计值，通过最小二乘拟合，去除离群点，去剩余位置求取平均值得到运动人体位置最优估计。该方法实现了动态背景下运动人体准确跟踪的效果。
-
公开(公告)号：CN109886357A
公开(公告)日：2019-06-14
申请号：CN201910189578.9
申请日：2019-03-13
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于特征融合的自适应权重深度学习目标分类方法。目标粗检测；提取图像卷积特征和HOG特征，对HOG特征扩维处理；将SENet嵌入到Resnet网络框架，建立用于提取图像多特征权重的网络框架；计算卷积特征和HOG特征的自适应权重向量，制定特征融合策略，计算图像融合特征；建立基于精准二分类网络集的多目标分类框架。本发明将图像卷积特征与HOG特征融合，提取图像特征的自适应权重向量，设计深度学习网络构型和参数，构建精准的分类网络，该网络通过降低得分阈值来得到更多的候选框，提高目标检测的召回率；通过设计多个二分类网络，在多分类问题上具有更高的准确率。
-
-
-
-
-
-
-
-
-
Search Results
140
records
(took 0.047 seconds)
