-
公开(公告)号：CN107590427A
公开(公告)日：2018-01-16
申请号：CN201710378085.0
申请日：2017-05-25
Applicant: 杭州电子科技大学
Abstract: 本发明涉及了基于时空兴趣点降噪的监控视频异常事件检测方法。本发明采用了分层特征表示的方法，用时空兴趣点作为低级特征表示局部事件，通过C均值聚类学习低级码本，通过K近邻距离与阈值的比较判断局部异常事件；用多个时空兴趣点构成的集合体作为高级特征来表示全局事件，利用贪婪聚类算法学习高级码本并对每个码本进行最小二乘法建模，通过集合体与模板的最小二乘距离判断全局异常事件。本发明不仅在局部事件的表示阶段通过前景掩码对时空兴趣点的筛选严格限制了异常的分析区域，而且在建立全局事件检测模型的时候使用最小二乘法，在保证基本准确率的前提下，降低了检测的时间复杂度和计算复杂度。
-
公开(公告)号：CN114418872B
公开(公告)日：2025-04-11
申请号：CN202111627418.1
申请日：2021-12-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于mGANprior的真实图像美感增强方法，对于待增强美感的真实图像，选择对应类型的PGGAN预训练生成模型，并确定需要增强的美感效果类型；使用级联分割模块方法对真实图像进行语义分割；使用mGANprior方法得到逆映射的图像；根据需增强的美学风格，对真实图像与逆映射的图像做对应的退化变换并计算损失，通过梯度下降优化得到最终的隐向量与图像美学风格增强后的图像Ienh；本发明方法实现了真实图像的美感增强，既最大程度的保留图像的原有信息，又对图像进行了可控的美学风格修改，本发明依据美学因素提出一种退化变换的损失函数，可以在真实图像上生成具有美感的模糊效果。
-
公开(公告)号：CN114299588B
公开(公告)日：2024-05-10
申请号：CN202111654265.X
申请日：2021-12-30
Applicant: 杭州电子科技大学
IPC: G06V40/16 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于局部空间转换网络的实时目标编辑方法，首先获取高分辨率图像并制作训练数据集和测试数据集，然后通过掩码转换网络获取目标掩码的仿射变换矩阵，并实现目标图像的采样再使用空洞修复网络修复图像空洞，最后通过获得的数据集训练并测试掩码转换网络和空洞修复网络。本发明MTN专注于掩码学习，可使用与业务无关的数据集训练网络模型，降低了构建数据集的成本和模型的训练成本，完成目标编辑任务的同时解决了传统深度学习方法中图像空洞的出现问题。
-
公开(公告)号：CN114283083B
公开(公告)日：2024-05-10
申请号：CN202111580516.4
申请日：2021-12-22
Applicant: 杭州电子科技大学
IPC: G06T5/60 , G06T11/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于解耦表示的场景生成模型的美学增强方法，首先选取一个StyleGAN的场景生成模型，得到隐向量矩阵Z和对隐向量矩阵Z做非线性变换产生的隐向量矩阵W；然后训练图像美学评价模型和图像美学风格模型，得到预测评分S；利用隐向量矩阵W以及预测评分S训练SVM分界面；对所选StyleGAN场景生成模型进行生成图像美学增强。本发明通过训练不同的美学预测器，对GAN生成网络中潜在的美学神经元进行解耦和操控，从而实现生成图像美学属性的可编辑，通过对隐空间进行语义编辑改变图像美学属性的方式，避免了对GAN模型结构的改动以及GAN的重新训练与调优，从而极大的缩短训练时间、减少所需资源。
-
公开(公告)号：CN117834290A
公开(公告)日：2024-04-05
申请号：CN202410031036.X
申请日：2024-01-09
Applicant: 杭州电子科技大学
IPC: H04L9/40 , H04L67/1095 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种非均匀高斯分布下的网络攻击联邦检测方法及系统，该方法首先在客户端采集网络数据和攻击数据构建数据集，获取数据集的分布信息发送到中央服务器。然后中央服务器构建CNN‑Attention神经网络模型并初始化，将初始化全局模型参数下发到各个客户端。然后在客户端构建基于CNN‑Attention神经网络模型的本地模型，使用本地数据集进行训练，并输出网络攻击的检测结果，再将本地模型参数保存成数组发送到中央服务器；最后在中央服务器，接收各个客户端的本地模型参数，对全局模型进行更新，并同步到客户端。本发明对网络数据具有较好的表征能力，对攻击流量具有较高的检测能力。
-
Patent Agency Ranking
公开(公告)号：CN117612703A
公开(公告)日：2024-02-27
申请号：CN202311579700.6
申请日：2023-11-24
Applicant: 杭州电子科技大学
IPC: G16H50/20 , G16H50/70 , G16H10/60 , G16H15/00 , G06F18/2431 , G06F18/2415
Abstract: 本发明公开了一种基于医学检验指标的糖尿病视网膜病变分类方法，包括如下步骤：S1、患者数据采集和预处理：从医学机构的数据库中获取与糖尿病视网膜病变有关的患者的电子病历和化验报告，从电子病历和化验报告中提取DR相关的检验指标；S2、遍历所有患者及其检验指标，使用基于检验指标间隔的相似度计算方法，得到所有患者之间的检验指标相似度权重，构建三元组 ，进而构建无向加权图G。S3、构建两层GCN的多分类预测模型，输入S2中患者群体图G的特征矩阵H与邻接矩阵A，对分类预测模型进行训练；S4、在实际应用中，输入一名待分类患者的电子病历信息和检验指标数据到S3中训练好的GCN模型，可得到患者DR分类情况概率。
-
公开(公告)号：CN114301667B
公开(公告)日：2024-01-30
申请号：CN202111617202.7
申请日：2021-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于WGAN动态惩罚的网络安全不平衡数据集分析方法，针对不平衡数据集中的少类样本构建WGAN模型。在判别器损失函数中添加一项惩罚项，约束损失函数的梯度范数，惩罚项在真实数据分布上叠加一个随机分布作为过渡分布，惩罚项的系数为真实分布与生成分布之间的均方距离。在模型训练过程中，两个数据分布之间的均方距离不断变化，即对判别器损失函数的惩罚是动态更新的，有助于提高模型训练的稳定性和效率。本发明提出的基于WGAN动态惩罚的网络安全不平衡数据集分析方法，通过生成大量少类样本，与原始样本融合，实现数据集的平衡。在基于浅层机器学习算法对数据分类时，实现对原始少类数据的高效正确检测。
-
公开(公告)号：CN116912362A
公开(公告)日：2023-10-20
申请号：CN202310793941.4
申请日：2023-06-30
Applicant: 杭州电子科技大学
IPC: G06T11/60 , G06N3/0475 , G06N3/094 , G06F18/24
Abstract: 本发明公开了一种基于分层分类文本指导的真实场景图像编辑方法，首先选取一个层级多标签文本分类模型，将输入的风格描述文本进行层级分类；利用e4e反演模型得到室内场景图像的潜在向量，基于StyleGAN的语义分层特性，将潜在向量进行划分；训练隐空间残差映射器，并分为四组，分别代表场景图像中的布局、对象、属性和颜色细节的生成，并可通过文本分层模型得到的二级词汇对映射模型进行选择性的训练；将文本分类模型得到的三级词汇输入到CLIP网络，并利用CLIP损失控制映射网络的训练；潜在向量通过分层输入映射网络后得到一个偏置向量，与原始向量进行求和后，输入StyleGAN，得到编辑后的图像。本发明实现对于文本指导图像的自动化编辑，减少了人为的手动操控。
-
公开(公告)号：CN116823794A
公开(公告)日：2023-09-29
申请号：CN202310853093.1
申请日：2023-07-12
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T5/00 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于多域失真学习的无参考图像质量评价方法，首先构建基于多域失真学习的无参考图像质量评价模型；然后对输入的失真图像进行退化修复；完成多域失真学习，得到对应的频率特征；再进行多尺度语义特征提取和边缘信息提取；最后根据获得的将多尺度频率特征、多尺度语义特征和图像边缘信息，实现特征融合与质量回归。本发明提出使用多域失真学习方法，帮助模型识别图像信息中的各种噪声，并有效地提高图像质量。本发明在图像语义特征的基础之上引入频域信息来辅助预测质量分数。
-
公开(公告)号：CN115937143A
公开(公告)日：2023-04-07
申请号：CN202211571542.5
申请日：2022-12-08
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种织物缺陷检测方法，首先构建数据集，对数据集进行预处理；再构建织物缺陷检测R‑CNN网络模型，织物缺陷检测R‑CNN网络模型由4个卷积层和4个最大池化层，及2个全连接层组成，随后训练织物缺陷检测R‑CNN网络模型；最后使用分类阈值降低方法降低FN样本数量；本发明提出了一种新的织物缺陷检测R‑CNN网络模型。该模型不仅提供了良好的特征检测准确性，且运行成本低，易于实施，可以更好地适用于工业环境下的实际操作情况。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.025 seconds)
