-
公开(公告)号：CN114047691A
公开(公告)日：2022-02-15
申请号：CN202210023265.8
申请日：2022-01-10
Applicant: 杭州海康威视数字技术股份有限公司 , 北京航空航天大学
IPC: G05B11/42
Abstract: 本申请实施例提供了自适应学习率协同优化的目标识别方法、装置及电子设备。在本实施例中，借鉴PID的设计思想，在深度学习常用的梯度下降算法比如Adam算法等中引入微分控制环节，实现自适应调整模型参数的学习率，加速神经网络模型中模型参数的收敛，避免神经网络模型训练过程中的损失震荡，最终实现了自适应学习率协同优化的目标识别。进一步地，在本实施例中，通过对自适应调整后的学习率进行裁剪，可解决后期因为出现极端学习率而造成模型不收敛或找不到良好的全局最优解的问题。
-
公开(公告)号：CN114612750B
公开(公告)日：2022-08-19
申请号：CN202210499300.3
申请日：2022-05-09
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本申请实施例提供了自适应学习率协同优化的目标识别方法、装置及电子设备。在本实施例中，根据每个训练批次训练出的模型与先前已训练的模型之间的差异，自适应地将每个训练批次训练出的模型与先前已训练的模型融合，能够减少模型对先前知识的遗忘，从而避免神经网络训练过程中的损失震荡，加快模型平滑收敛。
-
公开(公告)号：CN114612750A
公开(公告)日：2022-06-10
申请号：CN202210499300.3
申请日：2022-05-09
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本申请实施例提供了自适应学习率协同优化的目标识别方法、装置及电子设备。在本实施例中，根据每个训练批次训练出的模型与先前已训练的模型之间的差异，自适应地将每个训练批次训练出的模型与先前已训练的模型融合，能够减少模型对先前知识的遗忘，从而避免神经网络训练过程中的损失震荡，加快模型平滑收敛。
-
公开(公告)号：CN119766569A
公开(公告)日：2025-04-04
申请号：CN202510007129.3
申请日：2025-01-02
Applicant: 国家电网有限公司信息通信分公司 , 北京航空航天大学
Inventor： 曹耀夫 , 胡威 , 袁洲 , 李晓勐 , 刘俊文 , 李成巍 , 闫珺路 , 赵景程 , 李慧敏 , 李凤来 , 郭亚州 , 夏昂 , 林冰洁 , 卢腾 , 崔兆伟 , 刘孟奇 , 王子萌 , 石进 , 李清波 , 王仪琳 , 徐若洲 , 冯赫天 , 王田
IPC: H04L9/40
Abstract: 本申请公开一种基于攻击链匹配的电力监控系统攻击场景处理方法和装置，方法包括：获得电力监控系统的目标攻击链数据；处理目标攻击链数据得到目标攻击链特征；基于目标攻击链特征检索得到至少一个相似攻击链特征；利用大语言模型处理相似攻击链特征对应的攻击场景信息和目标攻击链特征，得到目标攻击链数据对应的处置建议信息。本方案能够结合目标攻击链数据更准确地识别电力监控系统受到的网络攻击，特别是能够准确识别高级持续性威胁（APT）等复杂攻击场景，并且能够通过大语言模型及时制定合理的处置建议信息，从而有效提高了电力监控系统的安全性。
-
公开(公告)号：CN118214619B
公开(公告)日：2024-07-16
申请号：CN202410636060.6
申请日：2024-05-22
Applicant: 北京航空航天大学 , 中国科学院数学与系统科学研究院
IPC: H04L9/40 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 发明涉及一种基于残差块的高斯混合工业互联网网络攻击检测系统，属于工业互联网的安全防控技术领域。解决了现有技术中的检测系统不能对各类工业互联网网络攻击实现快速有效的精准检测的问题。本发明基于残差块的高斯混合自编码器工业攻击检测系统，该系统的残差块模型轻量化，可以很容易部署在工业领域中；同时，还提出了一种损失函数，可以对残差块进行有效的训练；通过仿真验证，可以以较高的准确率检测出大部分的攻击状态。
-
Patent Agency Ranking
公开(公告)号：CN118038203A
公开(公告)日：2024-05-14
申请号：CN202410112519.2
申请日：2024-01-26
Applicant: 中国矿业大学(北京) , 北京航空航天大学
IPC: G06V10/774 , G06N3/0464 , G06V10/764 , G06V10/80 , G06V10/82 , G06V40/10 , G06V40/20
Abstract: 本发明公开一种行为识别模型的训练方法及其应用方法，涉及深度学习和行为识别技术领域，该训练方法基于行为识别模型进行，行为识别模型包括时空图卷积模块组和分类器；时空图卷积模块组包括依次连接的多个时空图卷积模块；每一时空图卷积模块包括稀疏多尺度信息模块、时空卷积模块和拼接模块；稀疏多尺度信息模块对输入进行特征提取，得到行为动作特征；时空图卷积模块对输入进行特征提取，得到时空卷积特征；拼接模块用于对行为动作特征和时空卷积特征进行拼接，得到拼接特征；分类器对最后一个时空图卷积模块的输出进行分类，得到样本骨架序列数据对应的样本行为识别结果。本发明能够更准确、快速地分类人体骨架数据对应的动作。
-
公开(公告)号：CN113780662B
公开(公告)日：2024-04-23
申请号：CN202111075590.0
申请日：2021-09-14
IPC: G06Q10/04 , G06Q50/50 , G06N3/0442 , G06N3/049 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种流量预测方法，通过时空网络对历史流量数据进行处理，获得未来一段时间的流量数据，所述时空网络包括特征嵌入模块、时空图模块和输出模块；该方法包括以下步骤：将历史流量数据输入特征嵌入模块，获得图状态和图信号；将图状态和图信号输入时空图模块，通过时空图模块对图状态和图信号进行更新，将更新后的图状态和图信号输入输出模块，通过输出模块将更新后的图状态和图信号转化为流量数据输出。本发明公开的流量预测方法，具有预测准确率高、稳定性好、计算效率高、计算速度快、训练时间短等诸多优点。
-
公开(公告)号：CN111681748B
公开(公告)日：2023-09-08
申请号：CN202010532597.X
申请日：2020-06-11
Applicant: 北京航空航天大学 , 复旦大学附属中山医院 , 博恒科技(杭州)有限公司
IPC: G16H40/20 , G16H70/20 , G06N3/0464 , G06N3/048 , G06N3/096
Abstract: 本发明提供一种基于智能视觉感知的医疗行为动作规范性评价方法，包括：利用13D网络提取包含待评价医疗行为的视频的双流特征向量；利用所述双流特征向量通过残差空洞因果卷积模块进行动作概率分析；利用所述动作概率分析的结果通过边界决策分析获取待选动作提名片段集ψp；对待选动作提名片段集ψp进行联合概率动作密度排序处理，得到待评价医疗行为视频中的有效动作提名片段；获取标准动作片段；利用所述标准动作片段和所述有效动作提名片段通过训练好的孪生神经网络评价所述医疗行为动作规范性。本发明基于智能视觉感知的医疗行为动作规范性评价方法可以准确的判断动作规范性，在医疗领域有较好的应用前景。
-
公开(公告)号：CN116630869A
公开(公告)日：2023-08-22
申请号：CN202310922338.1
申请日：2023-07-26
Applicant: 北京航空航天大学 , 中国科学院长春光学精密机械与物理研究所
Abstract: 本发明公开了一种视频目标分割方法，包括以下步骤：根据参考视频帧图像提取获得参考帧图像特征，根据当前视频帧图像提取获得当前帧搜索特征；将参考帧图像特征和当前帧搜索特征进行匹配，根据匹配对参考帧掩膜特征进行特征融合，获得当前帧掩膜特征；将当前帧掩膜特征和参考帧掩膜特征进行目标对比增强，从而减少当前帧图像中的目标误匹配。本发明公开的视频目标分割方法，提高了目标分割的准确性和识别准确率。
-
公开(公告)号：CN115309736B
公开(公告)日：2023-03-24
申请号：CN202211230797.5
申请日：2022-10-10
Applicant: 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC: G06F16/215 , G06F16/2455 , G06F16/2458 , G06F18/2431 , G06F18/214 , G06N3/0464 , G06N3/0442 , G06N3/08 , G01D21/02
Abstract: 本发明涉及工业数据的异常检测领域，公开了一种基于自监督学习多头注意力网络的时序数据异常检测方法，包括S1：针对多个工业传感器采集到的所有时序数据，归一化后得到时序数据xnorm；S2：对时序数据xnorm采用两种方式增强，得到时序数据xaug1和xaug2；S3：通过时序数据对特征提取网络进行预训练；S4：对特征提取网络fξ与fθ，以及网络gθ，qθ和gξ进行更新；S5：在预训练以及网络更新结束后，进一步增强训练，完成后将整体网络应用于异常检测。通过本发明的检测方法在预训练阶段已经完成了特征提取的工作，因此在应用于异常检测任务时，只需要进行较少轮训练即可以实现较高的检测精度。
-
-
-
-
-
-
-
-
-
Search Results
83
records
(took 0.072 seconds)
