-
公开(公告)号:CN118314369A
公开(公告)日:2024-07-09
申请号:CN202410410931.2
申请日:2024-04-07
申请人: 西安电子科技大学广州研究院
IPC分类号: G06V10/75 , G06V10/74 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09
摘要: 本发明公开了一种基于连续时间信息的目标跟踪方法,设计的跟踪模型由时域特征提取模块、时域信息融合模块、跟踪头三部分组成。时域特征提取模块通过注意力增强的时间卷积,使卷积权重是由先前的连续帧信息进行动态校准获得的,时域信息融合模块采用了编码器和解码器的结构,编码器利用先前帧的时间信息和当前帧的相似度图,产生当前帧的时间信息,解码器利用产生的当前帧的时间信息来细化相似度图,得到最终的相似度图信息,跟踪头基于无锚框的算法,省去了诸多超参数,同时因为上述两个模块已经完成了时间信息的提取和融合,所以跟踪头的设计十分轻型,以进一步提升跟踪速度。
-
公开(公告)号:CN117422104A
公开(公告)日:2024-01-19
申请号:CN202210798644.4
申请日:2022-07-07
申请人: 西安电子科技大学广州研究院
IPC分类号: G06N3/0455 , G06N3/042 , G06N3/098 , G06F21/62
摘要: 本发明涉及一种联邦图神经网络的隐私泄露侦测方法,包括步骤:获取每个子系统的训练集成员和非训练集成员经过子图联邦模型时的目标信息;根据目标信息获取特征向量;将特征向量中的测试数据输入训练好的编码器中,得到测试精度,其中,训练好的编码器为采用特征向量中的训练数据对编码器训练得到,训练数据中训练集成员和非训练集成员的比例相同;根据测试精度判断训练集成员的隐私泄露程度。该方法能够对子图联邦模型本身的隐私泄露情况进行评估与分析,并且对子图联邦模型的深度神经网络不同参数泄露的隐私情况进行对比分析,从而协助模型拥有者去优化模型,进而减少训练成员的隐私泄露,填补了子图联邦学习模型下隐私泄露侦测技术的空白。
-