-
公开(公告)号：CN116206145A
公开(公告)日：2023-06-02
申请号：CN202211434963.3
申请日：2022-11-16
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0895
Abstract: 本发明实施方式中的基于伪标记和真假数据识别的遥感图像分类方法，该框架使用人工伪标签作为未标记数据的标签，因此也可以使用标签训练未标记数据。针对模型可能对未标记数据分类错误的情况，提出了一种混合表示学习方法。混合不同的数据生成伪数据并利用所有数据可以克服伪标签的缺点。本发明创新地将伪标记算法与假数据识别算法相结合，使模型可以更全面与准确的学习数据的特征表示。同时，由伪标记带来的半监督学习算法，可以大大地减少实验的资源成本的消耗，以最小的代价完成目标。将所提的网络模型应用于半监督遥感图片数据的分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。
-
公开(公告)号：CN116208357A
公开(公告)日：2023-06-02
申请号：CN202211434979.4
申请日：2022-11-16
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于多尺度自编码器和特征匹配判别器的网络流量入侵检测方法，属于网络入侵检测领域。深度学习在入侵检测领域得到了发展，可以识别正常和异常流量。然而，现有的方法不能保证在准确性和效率方面的良好表现。本发明基于自编码器和生成对抗网络，在网络流量特征提取中采用多分辨率自编码器，可以获得不同的编码长度，保证更好的数据重构。此外还添加了一个额外的特征匹配损失，以鼓励判别器从重建的样本中获得更多的判别信息。将所提出的方法应用于CIC‑IDS2018数据集，实验结果表明，与传统的自编码器和生成对抗网络相比，本发明可以有效提高检测网络流量攻击的精度，可应用于6G网络流量安全检测。
-
Patent Agency Ranking
公开(公告)号：CN119646627A
公开(公告)日：2025-03-18
申请号：CN202411847560.0
申请日：2024-12-13
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/2132 , G06F18/25 , G06F18/2431 , G06N3/084
Abstract: 本发明提出了一种基于记忆关联多信息可靠融合的疾病分类方法，旨在解决现有多模态模型在医疗诊断中的不可靠性和缺乏可解释性的问题。该方法利用DNA甲基化、mRNA表达和miRNA表达三种模态信息，通过构建记忆模块和可靠融合模块实现分类网络。记忆模块包含独立特征编码器，提取模态潜在特征并进行存储，基于存储模式评估模态信息的可靠性。可靠融合模块通过生成式对抗网络实现模态间的循环一致性，生成具有多模态特性的联合表示作为疾病分类的依据。在训练过程中，利用简化的霍普菲尔德能量衡量模态置信度，从而优化模态融合，确保深层特征的有效交互。该方法在疾病分类任务中表现出色，具有高可信度和可解释性，推动了多模态学习在医疗领域的应用。
-
公开(公告)号：CN119399818A
公开(公告)日：2025-02-07
申请号：CN202411599547.8
申请日：2024-11-08
Applicant: 哈尔滨理工大学
IPC: G06V40/16 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种流形关系维系的非完备多视角人脸图像深度锚图聚类方法属于多媒体信息处理中的人脸图像数据处理领域，首先通过图神经网络对每个视角构建子空间特征，然后采用流形关系对原始特征和子空间特征进行维系，同时随机选取特定于视角的锚点和公共子空间进行结合，比较其结果和原始数据之间的相似度，通过多次对网络进行梯度下降优化，得到具有鉴别性的公共子空间锚图后进行谱聚类，最终得到聚类结果和准确率。与其他方法相比，本发明的精确度更高，性能更加稳健。
-
公开(公告)号：CN115641387A
公开(公告)日：2023-01-24
申请号：CN202211434110.X
申请日：2022-11-16
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种掩码图自编码器异常检测方法，属于自监督图异常检测领域。针对现有自监督图自动编码器存在的问题，提出一种掩码图自编码器异常检测方法，提高了目前模型的有效性。本发明创新性地使用一个新的掩码图自编码器模型，将掩码自编码器思想迁移到了图上，通过一个简单的掩码图自编码器从重建目标，学习，损失函数和模型结构的角度解决了一般图自编码器面临的常见问题，同时设计了以缩放余弦误差为重建准则的掩码特征重建策略，这种缩放技术也可以看作是一种自适应的样本重称重，每个样本的权重随重建误差而调整。将所提的网络模型应用于图的异常检测领域，能达到提升准确率的目的。
-
公开(公告)号：CN119339410A
公开(公告)日：2025-01-21
申请号：CN202411411434.0
申请日：2024-10-10
Applicant: 哈尔滨理工大学
IPC: G06V40/10 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/084 , G06N3/0464
Abstract: 本发明提出一种基于种属感知与跨层信息结合的遮挡行人重识别方法，属于多媒体信息处理中的行人重识别领域。本发明通过训练一个由两个共享参数的12层的孪生Vision Transformer骨干网络、其各自的拼图分支与各自跨层信息聚合模块构成的遮挡行人重识别网络，对遮挡的行人图像进行行人重识别。本发明首先将训练数据转换为所需尺寸后，将其在孪生Vision Transformer骨干网络中的完整分支进行前向传播。而后使用其倒数第二个Transformer层的输出在拼图分支进行前向传播。将图片进行随机擦除，使用擦除后的数据在孪生Vision Transformer骨干网络中的擦除分支与其拼图分支中进行前向传播。最后收集所有分支的相似度矩阵，使用自跨层信息聚合模块收集两个分支各自的种属判别特征为导向的跨层信息并计算其损失。最终通过反向传播训练整个网络。测试过程中，测试数据行人图像输入到遮挡行人重识别网络得到行人特征，并实施行人重识别。与其他方法相比，本发明显著提高了遮挡行人重识别的准确率。
-
公开(公告)号：CN115879505A
公开(公告)日：2023-03-31
申请号：CN202211428341.X
申请日：2022-11-15
Applicant: 哈尔滨理工大学
IPC: G06N3/0455 , G06N3/047 , G06N3/088
Abstract: 本发明提出了一种自适应相关感知无监督深度学习异常检测方法，属于信息物理系统(CPS)领域，如智能生活、工业控制和数字医疗保健。同时，在CPS的背景下考虑了互联网和物联网中存在的各种安全问题。其中，基于无监督深度学习的异常检测模型通过潜在特征学习在许多CPS领域取得了良好的效果。然而，数据之间的相关性并没有引起足够的重视，挖掘它们之间的隐含关系，缺乏自适应训练，这对于在更复杂的数据环境中CPS的安全至关重要。因此，本文提出了一种自适应相关感知的无监督深度学习用于CPS异常检测。构造有向图结构来表示数据之间的隐式相关性，并采用动态图自适应更新设计提取特征和重构特征，估计概率分布和异常能量，完成异常检测。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
