-
公开(公告)号：CN116523000A
公开(公告)日：2023-08-01
申请号：CN202310362917.5
申请日：2023-04-06
Applicant: 北京邮电大学
IPC: G06N3/0475 , G06N3/094 , G06V10/26 , G06V10/30 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本申请提供一种神经网络对抗样本防御方法、电子设备和存储介质，所述方法包括：获取对抗数据集；根据颜色信道将所述对抗数据集中的每个图像进行分割，得到分割图像集；根据预设掩模对分割图像集进行处理，得到目标低频图像集和目标高频图像集；根据预设降噪方法对目标高频图像集进行降噪处理，得到目标降噪高频图像集；将目标低频图像集、目标降噪高频图像集输入至预设目标生成器进行融合，生成防御对抗样本集。所述方法生成的防御对抗样本通过去除高频图像中的噪声，即去除了分布在高频分量图像中的对抗扰动，使对抗样本更接近原始图像，对抗样本才能够被正确分类。
-
公开(公告)号：CN116304685A
公开(公告)日：2023-06-23
申请号：CN202310148707.6
申请日：2023-02-14
Applicant: 北京邮电大学
IPC: G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本申请提供一种对抗样本生成方法、装置及电子设备。所述方法包括：获取训练数据，以及根据所述训练数据训练得到的目标神经网络模型；将所述训练数据作为输入值，分别计算所述目标神经网络模型每一层输出值的平均值，并将每一层的平均值作为该层的输出基准数据；根据所述输出基准数据，通过迭代计算，得到目标数据；响应于确定达到预定条件，将所述目标数据作为对抗样本。通过所述方法，限制了生成的对抗样本远离正常样本流形的程度，降低了对抗样本被检测到的可能性。
-
公开(公告)号：CN112115995B
公开(公告)日：2023-04-07
申请号：CN202010954339.0
申请日：2020-09-11
Applicant: 北京邮电大学
IPC: G06V10/774 , G06V10/764 , G06V10/82
Abstract: 一种基于半监督学习的图像多标签分类方法，包括：从训练数据集中分别提取有标签数据和无标签数据的训练图片，并构成有标签数据集、无标签数据集，然后为每张训练图片标注标签向量；构建图像多标签分类网络，将有标签数据集和无标签数据集中的所有训练图片作为训练样本输入进行半监督训练，其输入是有标签数据集和无标签数据集的训练图片及标签向量，输出是训练图片对应各标签的预测概率；为待分类图片标注标签向量，然后将待分类图片及标签向量输入图像多标签分类网络，并根据输出确定待分类图片的多个标签。本发明属于信息技术领域，能基于无标签和有标签数据组成的混合数据集实现图像多标签分类，充分利用标签有效信息，有效提高网络分类性能。
-
公开(公告)号：CN111210120B
公开(公告)日：2023-03-10
申请号：CN201911360824.9
申请日：2019-12-25
Applicant: 北京邮电大学
Abstract: 本发明提供一种极震区和影响场方向的确定方法、装置、电子设备及介质。所述极震区和影响场方向的确定方法包括：获取地震区中损坏基站的第一位置分布信息和正常基站的第二位置分布信息；获取所述地震区中多个采样点的位置信息；根据所述第一位置分布信息和所述第二位置分布信息，确定所述多个采样点中的每个采样点的权重；根据所述多个采样点的位置信息及相应的权重，确定极震区和影响场方向。本发明实施例能够充分利用损坏基站和正常基站的分布信息，并基于不同采样点的不同权重更准确地确定极震区和影响场方向，减小灾情评估结果与实际情况之间的误差，提高评估准确度。
-
公开(公告)号：CN113283236B
公开(公告)日：2022-07-19
申请号：CN202110603755.0
申请日：2021-05-31
Applicant: 北京邮电大学
IPC: G06F40/279 , G06F40/216 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 一种复杂中文文本中的实体消歧方法，包括：从待消歧中文文本中提取所有待消歧实体指称；采用实体检索技术，从实体知识库中为每个待消歧实体指称选取若干个实体作为预候选实体，然后计算每个待消歧实体指称和每个预候选实体的第一相似度，并根据第一相似度挑选若干个实体作为候选实体；计算每个待消歧实体指称和每个候选实体的消歧相似度，并判断每个待消歧实体指称和所有候选实体的消歧相似度的最大值是否大于消歧相似度阈值，如果是，则待消歧实体指称是可链接实体，将待消歧实体指称链接至实体知识库中消歧相似度最大值对应的候选实体。本发明属于信息技术领域，能有效解决复杂中文文本领域的实体歧义问题，并提高实体召回率和实体链接准确率。
-
Patent Agency Ranking
公开(公告)号：CN114580427A
公开(公告)日：2022-06-03
申请号：CN202111641822.4
申请日：2021-12-29
Applicant: 北京邮电大学
IPC: G06F40/30 , G06F40/289 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本申请提供一种自媒体用户选择方法及相关装置，该方法包括：周期性获取多个预选用户的初始数据，得到每个预选用户的关系特征、影响力特征、粉丝特征、情感特征和传播度特征；利用关系特征，对全部预选用户执行聚类算法进行聚类，在每个类别的预选用户中确定多个候选用户；采取极端梯度提升算法对该候选用户的影响力特征进行加权，得到影响力得分；利用粉丝特征计算粉丝重要度得分；利用自回归语言模型、循环卷积神经网络和注意力机制构建情感分析模型，得到情感得分；利用传播度特征、影响力得分、粉丝重要度得分和情感得分进行区间模糊处理，得到目标权重，并输入预置的多准则决策框架，得到该候选用户的综合值，并根据综合值确定目标用户。
-
公开(公告)号：CN114267024A
公开(公告)日：2022-04-01
申请号：CN202111291760.9
申请日：2021-11-02
Applicant: 北京邮电大学 , 中国人民解放军32802部队
IPC: G06V20/58 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本申请提供一种异常交通标志图像识别网络的训练方法及装置，通过对服务器中预先训练好的交通标志图像识别网络构造后门触发模式，可以提前完成异常交通标志图像识别网络的训练。在出现异常情况时对异常交通标志图像叠加训练好的后门，可以不需要在出现异常情况时切换到新的交通标志图像识别网络，这样就可以快速地对异常交通标志图像进行识别处理。同时，对于没有叠加后门的交通标志图像，训练好的异常交通标志图像识别网络可以输出与训练前的交通标志图像识别网络一致的结果，这样可以利用服务器中预先训练好的交通标志图像识别网络的优势去完成正常情况下交通标志图像识别的同时，做到对异常情况下交通标志图像的快速识别处理。
-
公开(公告)号：CN112115995A
公开(公告)日：2020-12-22
申请号：CN202010954339.0
申请日：2020-09-11
Applicant: 北京邮电大学
IPC: G06K9/62
Abstract: 一种基于半监督学习的图像多标签分类方法，包括：从训练数据集中分别提取有标签数据和无标签数据的训练图片，并构成有标签数据集、无标签数据集，然后为每张训练图片标注标签向量；构建图像多标签分类网络，将有标签数据集和无标签数据集中的所有训练图片作为训练样本输入进行半监督训练，其输入是有标签数据集和无标签数据集的训练图片及标签向量，输出是训练图片对应各标签的预测概率；为待分类图片标注标签向量，然后将待分类图片及标签向量输入图像多标签分类网络，并根据输出确定待分类图片的多个标签。本发明属于信息技术领域，能基于无标签和有标签数据组成的混合数据集实现图像多标签分类，充分利用标签有效信息，有效提高网络分类性能。
-
公开(公告)号：CN109711309B
公开(公告)日：2020-11-27
申请号：CN201811561523.8
申请日：2018-12-20
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 一种自动识别人像图片是否闭眼的方法，包括：采集人像图片；检测获取人像图片中左、右眼周围特征点的坐标；从人像图片中截取左、右眼图片；训练左、右眼‑卷积神经网络，左或右眼‑卷积神经网络的输入是左或右眼图片，输出是左或右眼是否闭眼的概率；将从待识别人像图片中截取出的左、右眼图片分别输入训练后的左、右眼‑卷积神经网络，然后从左、右眼‑卷积神经网络中分别提取中间层的输出作为左、右眼特征向量，并构成眼部整体特征向量；对眼部整体特征向量进行线性变换，并采用归一化指数函数计算左闭眼、右闭眼、双眼闭眼和睁眼的概率，以据此判断左、右眼是否闭眼。本发明属于信息技术领域，能精确识别人像图片中的左、右眼是否闭眼。
-
公开(公告)号：CN111611431A
公开(公告)日：2020-09-01
申请号：CN202010301644.X
申请日：2020-04-16
Applicant: 北京邮电大学
Abstract: 一种基于深度学习的音乐分类方法，包括：将音乐的音频文件转化成梅尔声谱图，并生成音乐标签的独热向量；将音乐的梅尔声谱图和音乐标签的独热向量分别传入卷积神经网络和循环神经网络，通过卷积神经网络获得音乐的频域和时域特征向量，通过循环神经网络获得音乐-标签关系向量，然后将卷积神经网络和循环神经网络各自的输出向量映射到相同维度后，连接合并构成一个音乐-标签嵌入向量；将音乐-标签嵌入向量传入标签预测层，其输出是音乐对应每个类别标签的概率值，最后根据概率值，从所有类别标签中挑选多个类别标签作为音乐的分类。本发明属于信息技术领域，能基于音乐类别的繁多和交错关系，实现音乐类别标签的准确预测。
-
-
-
-
-
-
-
-
-
Search Results
224
records
(took 0.089 seconds)
