-
公开(公告)号：CN117078618A
公开(公告)日：2023-11-17
申请号：CN202311021163.3
申请日：2023-08-14
IPC分类号： G06T7/00 , G06T7/11 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种视盘视杯分割方法及装置、电子设备、介质，该方法对源域的眼底图像同时进行分类和分割训练以利用图像级和像素级标签提供的互补反馈，对源域和目标域的眼底图像进行分类训练，来降低源域和目标域之间的距离。采用基于Transformer的自注意力机制以及域自适应技术，克服了视杯视盘分割中由于视杯所占眼底图像面积小而导致的分割精度低以及由于眼底相机的不同或者拍摄环境的不同导致的得到的眼底图像会存在颜色、纹理等光学性质不同从而对模型预测结果产生较大影响的问题，进而实现对多种不同风格的眼底图像都可以获得高精度的视杯视盘分割结果。
-
公开(公告)号：CN115115899A
公开(公告)日：2022-09-27
申请号：CN202210320332.2
申请日：2022-03-29
申请人： 浙大城市学院
IPC分类号： G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04
摘要： 本发明公开了一种深度神经网络鲁棒性增强方法、装置、系统及电子设备，包括：获取原始训练样本并进行预处理；利用随机信号对预处理后的原始训练样本实施常规变换，生成弱扩增样本；确定对深度神经网络采取的攻击策略，对预处理后的原始训练样本实施攻击性扰动，生成强扩增样本；将所述弱扩增样本和强扩增样本输入待加固的深度神经网络，获得相应的表征及预测结果；对所述弱扩增样本和强扩增样本实施一致性约束，构建以一致性约束为正则项的深度神经网络鲁棒性增强训练的目标函数；根据目标函数，对待加固的深度神经网络实施鲁棒性增强训练。本发明可以有效增强深度学习模型的鲁棒性，从而减小攻击性扰动以及常规扰动对深度学习模型造成的损失。
-
公开(公告)号：CN112016590A
公开(公告)日：2020-12-01
申请号：CN202010727541.X
申请日：2020-07-24
申请人： 浙大城市学院
摘要： 本发明提出了一种结合序列局部特征提取及深度卷积预测模型的预测方法，基于对序列本身的周期性进行特征分析提取，通过对序列中每个点位的周期性和相似性权重的计算，融合到空洞卷积模型的每一层中。其思想是对原本没有差异的序列点，赋值上不同的权重值用来区别不同位置对目标预测点的重要。本发明提出一种序列点重要性算法，并结合空洞卷积方法，在交通流序列数据集中进行实验，和深度学习方法相比，本方法在MAPE，MAE和RMSE等指标上均有所提高。
-
公开(公告)号：CN111783083A
公开(公告)日：2020-10-16
申请号：CN202010566935.1
申请日：2020-06-19
申请人： 浙大城市学院
摘要： 本发明公开了一种防御算法的推荐方法及装置，所述方法包括：获取待处理的原始图像数据；根据原始图像数据和实际应用需求选择图像识别模型；用预处理后的图像数据训练图像识别模型；针对识别模型生成多种对抗样本；利用多种对抗样本对识别模型实施攻击，并记录攻击结果；构建基于对抗训练的防御算法库；逐一应用对抗训练算法对识别模型进行防御训练；评估防御效果，并推荐防御算法。通过生成多种不同类型、不同强度的对抗样本并进行评估，可提前发现针对目标模型具有较强攻击性的对抗攻击类型，从而开展有针对性的防御训练；逐一对备选对抗训练方法进行定量评估并基于评估结果推荐有效的防御方法，可显著降低对抗攻击给模型造成的损失。
-
公开(公告)号：CN111783085B
公开(公告)日：2023-08-22
申请号：CN202010610929.1
申请日：2020-06-29
申请人： 浙大城市学院
摘要： 本发明公开了一种对抗样本攻击的防御方法、装置及电子设备，包括：获取原始样本并进行预处理；根据深度神经网络分类模型和预处理后的样本生成对抗样本；输入原始样本和对抗样本，分别获得原始样本和对抗样本基于所述深度神经网络分类模型的表征；对原始样本和对抗样本的表征进行匹配；以表征匹配误差为正则项构建目标函数，实施防御训练；对待测样本进行预处理；将所述预处理后的待测样本输入至防御训练后的深度神经网络分类模型中，输出分类结果。本发明可以有效提高分类模型对对抗样本的分类准确性，从而减小对抗样本攻击对分类模型造成的损失。
-
公开(公告)号：CN111783629B
公开(公告)日：2023-04-07
申请号：CN202010609352.2
申请日：2020-06-29
申请人： 浙大城市学院
IPC分类号： G06V40/16 , G06V40/40 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种面向对抗样本攻击的人脸活体检测方法及装置，所述方法包括：获取待检测的人脸对象的图像，形成训练集；利用训练集训练人脸活体检测分类器；生成人脸图像的对抗样本；将所述训练集和所述对抗样本构成对抗训练集，通过对抗训练集对抗训练人脸活体检测分类器；通过对抗训练后的人脸活体检测分类器判断人脸对象是否为活体对象。通过将对抗样本攻击的防御和人脸活体检测技术有机结合起来，有效克服对抗样本攻击对人脸活体检测分类器造成的干扰，进而提高身份识别系统的准确性和鲁棒性。
-
公开(公告)号：CN111783629A
公开(公告)日：2020-10-16
申请号：CN202010609352.2
申请日：2020-06-29
申请人： 浙大城市学院
摘要： 本发明公开了一种面向对抗样本攻击的人脸活体检测方法及装置，所述方法包括：获取待检测的人脸对象的图像，形成训练集；利用训练集训练人脸活体检测分类器；生成人脸图像的对抗样本；将所述训练集和所述对抗样本构成对抗训练集，通过对抗训练集对抗训练人脸活体检测分类器；通过对抗训练后的人脸活体检测分类器判断人脸对象是否为活体对象。通过将对抗样本攻击的防御和人脸活体检测技术有机结合起来，有效克服对抗样本攻击对人脸活体检测分类器造成的干扰，进而提高身份识别系统的准确性和鲁棒性。
-
公开(公告)号：CN115240280A
公开(公告)日：2022-10-25
申请号：CN202210319837.7
申请日：2022-03-29
申请人： 浙大城市学院
摘要： 本发明公开了一种人脸活体检测分类模型的构建方法、检测分类方法及装置，包括获取训练样本；构建一个用于人脸活体检测的深度神经网络；对所述训练样本进行预处理，构建第一训练集；对于所述第一训练集中的每一个样本，生成对应的对抗样本并添加至第一训练集，构成第二训练集；构建面向人脸活体检测的防御训练损失函数，利用所述第二训练集迭代优化所述深度神经网络，获得鲁棒的人脸活体检测分类模型。分类方法包括：获取原始待测数据并进行预处理；将待测数据输入到上述的人脸活体检测分类模型中，输出检测结果。能够有效克服对抗样本对人脸活体检测分类器造成的干扰，进而有效提高具有人脸活体检测功能的身份认证系统的准确性和可靠性。
-
公开(公告)号：CN112612948B
公开(公告)日：2022-07-08
申请号：CN202011473950.8
申请日：2020-12-14
申请人： 浙大城市学院
摘要： 本发明提供一种基于深度强化学习的推荐系统构建方法，包括如下步骤：S1)建立用户与推荐系统交互的特征表征集合；S2)建立用户与推荐系统交互的状态表征；S3)推荐系统的建模；S4)推荐系统的训练；S5)推荐系统的部署。本发明的优点为：通过把一维离散型项目的动作选择空间映射到多维连续实值空间，采用进制转换的方法对推荐条目的动作空间进行简化，降低推荐系统训练的难度；采用卷积递归神经网络对用户的行为特征进行建模，提高了推荐系统的性能。
-
公开(公告)号：CN112612948A
公开(公告)日：2021-04-06
申请号：CN202011473950.8
申请日：2020-12-14
申请人： 浙大城市学院
摘要： 本发明提供一种基于深度强化学习的推荐系统构建方法，包括如下步骤：S1)建立用户与推荐系统交互的特征表征集合；S2)建立用户与推荐系统交互的状态表征；S3)推荐系统的建模；S4)推荐系统的训练；S5)推荐系统的部署。本发明的优点为：通过把一维离散型项目的动作选择空间映射到多维连续实值空间，采用进制转换的方法对推荐条目的动作空间进行简化，降低推荐系统训练的难度；采用卷积递归神经网络对用户的行为特征进行建模，提高了推荐系统的性能。
-
-
-
-
-
-
-
-
-
搜索结果
17 条记录 (耗时 0.036 秒)
