-
公开(公告)号：CN118470465B
公开(公告)日：2024-11-05
申请号：CN202410906787.1
申请日：2024-07-08
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 苏州筑百年建筑科技有限公司
IPC: G06V10/774 , G06V10/82 , G06V10/50 , G06V10/80 , G06N3/084
Abstract: 本发明涉及一种图像处理模型训练方法及处理方法、系统、设备及介质。图像处理模型包括若干隐藏层，将同一画面的可见光图像和红外图像作为图像处理模型的起始隐藏层的输入信息获取到起始隐藏层的输出信息；将起始隐藏层的输出信息作为下一隐藏层的输入信息，以获取下一隐藏层的输出信息，直到获取到最后隐藏层输出的目标图像；根据目标图像与可见光图像和红外图像计算第一损失值；根据目标图像与可见光图像计算第二损失值；根据每个隐藏层输出的信息计算第三损失值；根据第一损失值、第二损失值以及第三损失值更新图像处理模型的参数。解决现有图像融合无法有效结合可见光图像和红外图像的问题。
-
公开(公告)号：CN117392464B
公开(公告)日：2024-07-19
申请号：CN202311670113.8
申请日：2023-12-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 苏州筑百年建筑科技有限公司
IPC: G06V10/764 , G06V10/30 , G06V10/75 , G06V10/82 , G06V10/34
Abstract: 本发明涉及知识库检索领域，特别涉及一种基于多尺度去噪概率模型的图像异常检测的方法、系统。所述方法包括：将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像；将多个加噪图像输入去噪扩散模型进行去噪扩散处理，以获取多个去噪图像；对多个去噪图像的每个像素点进行特征值提取，以得到重构特征值组，其中，重构特征值组包括若干重构特征值，每个像素点具备多个重构特征值；对待分析图像的每个像素点进行特征值提取，以得到每个像素点的原始特征值；将重构特征值和原始特征值进行比较，以获取异常值；根据异常值判断待分析图像是否为异常图像。解决现有知识库无法智能引导的问题。
-
公开(公告)号：CN119169471B
公开(公告)日：2025-01-21
申请号：CN202411631891.0
申请日：2024-11-15
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06V20/10 , G06V10/44 , G06V10/762 , G06V10/764
Abstract: 本发明提供了一种基于状态空间模型与傅里叶变换的植物病害检测方法，涉及植物病害检测技术领域，包括：采集植物叶片图像，并对植物叶片图像进行预处理，得到病斑区域图像；对病斑区域图像进行特征提取，得到频域特征和时域特征；根据病斑区域图像的特征参数和频域特征构建初始状态空间模型；利用Mamba算法优化初始状态空间模型的模型参数，得到优化状态空间模型；使用已标注的植物病害数据集对优化状态空间模型进行训练，得到训练好的植物病害检测模型；将待测图像输入至植物病害检测模型中，得到检测结果。本发明通过结合快速的傅里叶变换特征提取和Mamba优化算法，旨在为植物病害检测提供一种高效、准确且具有良好泛化能力的解决方案。
-
公开(公告)号：CN117392464A
公开(公告)日：2024-01-12
申请号：CN202311670113.8
申请日：2023-12-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 苏州筑百年建筑科技有限公司
IPC: G06V10/764 , G06V10/30 , G06V10/75 , G06V10/82 , G06V10/34
Abstract: 本发明涉及知识库检索领域，特别涉及一种基于多尺度去噪概率模型的图像异常检测的方法、系统。所述方法包括：将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像；将多个加噪图像输入去噪扩散模型进行去噪扩散处理，以获取多个去噪图像；对多个去噪图像的每个像素点进行特征值提取，以得到重构特征值组，其中，重构特征值组包括若干重构特征值，每个像素点具备多个重构特征值；对待分析图像的每个像素点进行特征值提取，以得到每个像素点的原始特征值；将重构特征值和原始特征值进行比较，以获取异常值；根据异常值判断待分析图像是否为异常图像。解决现有知识库无法智能引导的问题。
-
Patent Agency Ranking
公开(公告)号：CN117392463A
公开(公告)日：2024-01-12
申请号：CN202311669233.6
申请日：2023-12-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 苏州筑百年建筑科技有限公司
IPC: G06V10/764 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/77
Abstract: 本发明涉及一种图像分类方法、装置、计算机设备和存储介质。所述方法包括：获取加密图像；根据第一模型，获取所述加密图像的特征图，所述特征图包括所述加密图像的局部特征；根据第二模型，获取所述加密图像的块嵌入，所述块嵌入包括所述加密图像的全局特征；将所述特征图和块嵌入相互融合，获取两类融合特征集；根据所述两类融合特征集，对所述加密图像进行分类。本发明可以提高图像分类的准确性。
-
公开(公告)号：CN119169471A
公开(公告)日：2024-12-20
申请号：CN202411631891.0
申请日：2024-11-15
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06V20/10 , G06V10/44 , G06V10/762 , G06V10/764
Abstract: 本发明提供了一种基于状态空间模型与傅里叶变换的植物病害检测方法，涉及植物病害检测技术领域，包括：采集植物叶片图像，并对植物叶片图像进行预处理，得到病斑区域图像；对病斑区域图像进行特征提取，得到频域特征和时域特征；根据病斑区域图像的特征参数和频域特征构建初始状态空间模型；利用Mamba算法优化初始状态空间模型的模型参数，得到优化状态空间模型；使用已标注的植物病害数据集对优化状态空间模型进行训练，得到训练好的植物病害检测模型；将待测图像输入至植物病害检测模型中，得到检测结果。本发明通过结合快速的傅里叶变换特征提取和Mamba优化算法，旨在为植物病害检测提供一种高效、准确且具有良好泛化能力的解决方案。
-
公开(公告)号：CN119416653A
公开(公告)日：2025-02-11
申请号：CN202411683552.7
申请日：2024-11-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F30/27 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明属于人工智能技术领域，且公开了面向卫星智能决策的高效人工智能算法与系统，包括如下步骤：构建基于DNN模型轻量化的高能效边缘智能框架；使用预设损失函数进行训练，将教师模型的输出作为硬标签，distillation token的输出学习教师模型的网络信息，class token的输出与真实标签进行比较以计算交叉熵损失#imgabs0#，缩小模型尺寸；设计基于异构计算的早退分支模块，利用模型的不确定性评估泛化能力、稳定性和可靠性，本发明在不牺牲模型性能的前提下，为资源有限的边缘设备设计了一个基于DNN模型轻量化的高能效边缘智能框架，该框架采用频域模型GFNet作为骨干网络，因其能学习频域中的长期空间依赖性且计算复杂度低，更加适合边缘设备。
-
公开(公告)号：CN118470465A
公开(公告)日：2024-08-09
申请号：CN202410906787.1
申请日：2024-07-08
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 苏州筑百年建筑科技有限公司
IPC: G06V10/774 , G06V10/82 , G06V10/50 , G06V10/80 , G06N3/084
Abstract: 本发明涉及一种图像处理模型训练方法及处理方法、系统、设备及介质。图像处理模型包括若干隐藏层，将同一画面的可见光图像和红外图像作为图像处理模型的起始隐藏层的输入信息获取到起始隐藏层的输出信息；将起始隐藏层的输出信息作为下一隐藏层的输入信息，以获取下一隐藏层的输出信息，直到获取到最后隐藏层输出的目标图像；根据目标图像与可见光图像和红外图像计算第一损失值；根据目标图像与可见光图像计算第二损失值；根据每个隐藏层输出的信息计算第三损失值；根据第一损失值、第二损失值以及第三损失值更新图像处理模型的参数。解决现有图像融合无法有效结合可见光图像和红外图像的问题。
-
公开(公告)号：CN117671562A
公开(公告)日：2024-03-08
申请号：CN202311640354.8
申请日：2023-12-01
Applicant: 苏州筑百年建筑科技有限公司 , 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06V20/40 , G06V10/774 , G06N3/0455 , G06N3/094
Abstract: 本发明提供了一种视频异常事件的检测方法、装置、终端设备及介质，方法包括：获取连续的视频图像帧，并提取图像特征；将图像特征输入至预先训练好的事件检测模型，基于事件检测模型的重构误差判断对应的视频帧是否存在异常事件；其中，事件检测模型包括生成式对抗网络并通过无异常事件的视频样本训练得到；生成式对抗网络包括自编码器和鉴别器；自编码器用于基于视频样本生成重构样本，并将视频样本和生成的重构样本输入至鉴别器，所述鉴别器用于区分视频样本以及重构样本。实施本发明，异常事件可以在推断阶段被检测出来，确保在检测到异常事件时可以产生更大的重构误差，使检测过程更加高效，提高了模型输出的质量以及异常事件检测的准确性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.052 seconds)
