-
-
公开(公告)号：CN109784091B
公开(公告)日：2022-11-22
申请号：CN201910038938.5
申请日：2019-01-16
Applicant: 福州大学
Abstract: 本发明涉及一种融合差分隐私GAN和PATE模型的表格数据隐私保护方法。包括步骤1：使用原始表格数据训练差分隐私生成模型；步骤2：使用原始表格数据在差分隐私预算下训练教师分类器；步骤3：使用生成模型生成“虚假”表格数据，并使用教师分类器对“虚假”表格数据预测标签，挑选预测标签和生成标签一致的数据，定义“可用”数据集，使用“可用”数据集训练学生分类器；步骤4：将生成模型和学生分类器发布，使用生成模型合成数据，使用学生模型挑选数据，完成数据分析任务。本发明方法是在数据发布阶段对表格数据实施隐私保护，数据分析师不可以通过生成模型复原原始训练数据，也不能通过学生模型推测原始训练数据，实现对原始表格数据的保护，并满足数据分析师对数据的需求。
-
公开(公告)号：CN110516694B
公开(公告)日：2022-04-12
申请号：CN201910607816.3
申请日：2019-07-05
Applicant: 福州大学
IPC: G06K9/62 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G01N21/88
Abstract: 本发明涉及一种基于代价敏感学习的排水管道缺陷自动检测方法，包括：构建排水管道数据集；估算每种错误分类带来的损失，构建代价矩阵；通过代价矩阵构建置信度向量；基于置信度向量构建代价敏感的卷积神经网络；并使用管道数据集训练代价敏感的卷积神经网络。使用训练好的网络对待识别的图像进行识别，得到图像中包含缺陷的概率。基于代价矩阵构建的代价敏感的卷积神经网络能够以最小化代价为目标而不是盲目地追求分类精度，从而实现更为经济，有效的排水管道缺陷自动检测系统。
-
公开(公告)号：CN108985349B
公开(公告)日：2021-09-28
申请号：CN201810673021.8
申请日：2018-06-26
Applicant: 福州大学
Abstract: 本发明涉及一种考虑图像集复杂性的石材纹理图像CNN识别方法，首先加载石材图像集；接着将石材图像集的复杂性量化为计算石材图像集的本征维数，使用小波图像去噪方法处理石材图像集中的每张石材图像以降低石材图像集复杂性；然后构建卷积神经网络，并使用去噪后的石材图像训练卷积神经网络；接着使用训练好的卷积神经网络模型识别石材图像；最后依据卷积神经网络模型的输出结果，选择最大的前5个值对应的石材类别，将其按照值从大到小的顺序依次作为前5类最相似石材。本发明将小波图像去噪结合卷积神经网络用以石材纹理图像识别，有效提高了识别的准确率。
-
公开(公告)号：CN110472699A
公开(公告)日：2019-11-19
申请号：CN201910786873.2
申请日：2019-08-24
Applicant: 福州大学
Abstract: 本发明涉及一种基于GAN的电力场所有害生物运动模糊图像检测方法，引入生成对抗网络M1，将输入图片中的运动模糊图片还原成清晰图片，利用已经标注的有害动物的样本进行训练，得到训练好的神经网络模型M2；将输入的图片先后经过M1与M2，得到检测结果。本发明能够更加精准地检测到有害生物入侵信息。
-
Patent Agency Ranking
公开(公告)号：CN109784091A
公开(公告)日：2019-05-21
申请号：CN201910038938.5
申请日：2019-01-16
Applicant: 福州大学
Abstract: 本发明涉及一种融合差分隐私GAN和PATE模型的表格数据隐私保护方法。包括步骤1：使用原始表格数据训练差分隐私生成模型；步骤2：使用原始表格数据在差分隐私预算下训练教师分类器；步骤3：使用生成模型生成“虚假”表格数据，并使用教师分类器对“虚假”表格数据预测标签，挑选预测标签和生成标签一致的数据，定义“可用”数据集，使用“可用”数据集训练学生分类器；步骤4：将生成模型和学生分类器发布，使用生成模型合成数据，使用学生模型挑选数据，完成数据分析任务。本发明方法是在数据发布阶段对表格数据实施隐私保护，数据分析师不可以通过生成模型复原原始训练数据，也不能通过学生模型推测原始训练数据，实现对原始表格数据的保护，并满足数据分析师对数据的需求。
-
公开(公告)号：CN108876870A
公开(公告)日：2018-11-23
申请号：CN201810538118.8
申请日：2018-05-30
Applicant: 福州大学
Abstract: 本发明涉及一种考虑纹理复杂性的域映射GANs图像着色方法，收集图像，并建立图像训练集；对图像训练集进行预处理，包括：图像深度检测、图像裁剪和图像归一化；通过模型选择、图像集的复杂性计算以及循环一致损失系数选择，利用反向传播和Adam优化算法更新模型网络参数，进行模型训练；输入待着色的图像，采用步骤S3计算待着色图像集的图像集合复杂性，选择与其复杂性相同且已训练的模型，进行图像着色，输出相应的着色图像。本发明提出的方法能根据图像集纹理复杂度，选取大小合适的循环一致损失系数，使得模型能够对不同纹理复杂性的图像进行着色，具有很好的通用性；同时将深度学习引入图像着色领域，为图像着色提供了一种新的思路。
-
公开(公告)号：CN119478089A
公开(公告)日：2025-02-18
申请号：CN202411537873.6
申请日：2024-10-31
Applicant: 福州大学
Abstract: 本发明提供一种基于ADM与动态去噪滤波模型的蕾丝纹理图像扩散生成方法，该模型将可学习的高斯模糊层与高通滤波技术结合，高斯模糊层旨在根据输入图像的不同，自适应地调整对图像的模糊力度，减少蕾丝纹理图像中的高频噪声。高通滤波技术则通过增强图像中主体图案的轮廓和边缘等关键区域，进而凸显图像的主要纹理特征。将该模块加入ADM网络的下采样层，改善了原始模型生成的蕾丝纹理图像中存在的过于平滑的现象，并且增强了图像的纹理层次感。
-
公开(公告)号：CN117591694A
公开(公告)日：2024-02-23
申请号：CN202311557591.8
申请日：2023-11-21
Applicant: 福州大学
IPC: G06F16/583 , G06V10/54 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/094
Abstract: 本发明提供一种在多视图自监督乘积量化策略下的织物图像鲁棒检索方法，引入了一个多视图模块，模块中包括使用AutoAugment方法增强的视图、对抗样本视图和图像高频分量视图。AutoAugment方法可以生成更多样的数据变化，使模型能够更好地学习织物纹理的不同特征和结构；织物图像通常具有较高的复杂度和多样性，将对抗样本加入到模型训练中，可以增加更多的噪声和变化，是现有的抵御对抗攻击最好的方式之一；图像高频分量可以使织物图像中的边缘、细节、对比度更加清晰。同时还设计了一个多视图交叉量化对比损失函数，通过比较多个视图来共同学习码字和深度视觉描述符，可以有效提高模型的鲁棒性和泛化性。本发明在取得很好检索性能的同时，还具有较高的对抗鲁棒性。
-
公开(公告)号：CN110598792B
公开(公告)日：2022-10-14
申请号：CN201910868563.5
申请日：2019-09-16
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法，考虑通过生成对抗网络生成排水管道缺陷检测训练数据，需要大规模的数据集训练，现有的数据集不满足要求。为了能够减少训练集数据量，在现有的数据集上训练生成对抗网络，本发明在渐进式生成对抗网络中引入迁移学习，充分利用已有的数据先进行预训练，再在目标缺陷类数据上进行微调。微调后的模型可以生成质量更好的排水管道缺陷检测训练数据。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.019 seconds)
