-
公开(公告)号：CN113537313B
公开(公告)日：2024-02-27
申请号：CN202110736686.0
申请日：2021-06-30
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/21 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于WGAN训练收敛的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包含生成器和判别器的WGAN模型。生成器生成数据，再利用判别器对生成的新数据和原始数据进行判断，进而将判别结果以代价的形式反馈给生成器，使生成器生成与原始数据更相近的新数据。在WGAN模型训练过程中，生成器和判别器交替训练，每一轮以判别器的代价函数收敛作为生成器和判别器训练平衡的纳什均衡点，指导生成器和判别器的训练更替。本发明提出的基于WGAN训练收敛的不平衡数据集分析方法，可以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，当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：CN111340119A
公开(公告)日：2020-06-26
申请号：CN202010131033.5
申请日：2020-02-28
Applicant: 杭州电子科技大学 , 浙江省电子信息产品检验研究院
IPC: G06K9/62
Abstract: 本发明公开了一种基于SVD的高斯混合模型参数初始化方法，包括计算模型分量的初始值，每个模型分量的混合系数、均值和协方差。本发明所属技术领域为大数据分析和建模领域，在采用GMM建立概率聚类模型之后，采用SVD分解数据矩阵，实现对数据集合的初始分类，得到模型分量初始值；再针对分类子集计算混合系数、均值和协方差，作为GMM模型的各参数初始值。本发明提出的基于SVD初始化方法，不仅不依赖人为主观性和系统随机性，能够通过算法客观、自动地计算出参数的初始值，而且计算复杂度较低、消耗的时间和系统资源较少，还对不同应用场景的数据分析和建模具有较强的适应性。
-
公开(公告)号：CN108460320A
公开(公告)日：2018-08-28
申请号：CN201711373999.4
申请日：2017-12-19
Applicant: 杭州海康威视数字技术股份有限公司 , 杭州电子科技大学
IPC: G06K9/00
Abstract: 本发明涉及基于改进单元分析的监控视频异常事件检测方法。本发明在视频帧上划分非重叠的单元，利用多种低级视觉特征分别建模并建立相应的分类器对异常事件进行判断。在特征表示上使用了更加精细化的特征：利用关于前景对象的极坐标下的HOG3D特征作为运动特征，利用等价模式的LBP特征作为纹理特征。本发明在运动检测方面，既可以检测前景对象运动速度大小的异常，又可以检测前景对象运动方向的异常；在大小和纹理检测方面，能够很好地区分正常纹理和异常纹理。本发明在不大幅度增加检测时间的前提下，提升了算法的检测性能。
-
公开(公告)号：CN113139580B
公开(公告)日：2024-06-11
申请号：CN202110309301.2
申请日：2021-03-23
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/22
Abstract: 本发明公开了一种集成的加权多数软投票的众包数据真值推理方法。本发明包括：步骤1、通过计算实例属于每一个类别的概率，复制K‑1个实例副本，从而转换为新的众包数据集用以训练弱分类器；步骤2、采用基于极大似然估计的方法聚合弱分类器；步骤3、引入工人在不同的实例上的不同的标注能力，采用基于相似度比较的方法计算工人权重；步骤4、采用加权软投票的方法聚合生成推理的标签。本发明不仅引入了实例的特征，还综合考虑了不同工人对于不同实例的标注能力，通过基于相似度比较预测标签和工人标签得到的权重来量化标注能力。提出基于工人权重的加权软投票的方法预测最后的标签。本发明提出的方法具有较强的可实施性。
-
公开(公告)号：CN114140645B
公开(公告)日：2024-04-05
申请号：CN202111393879.7
申请日：2021-11-23
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/774 , G06N3/0895 , G06N3/0442
Abstract: 本发明公开了一种基于改进自监督特征学习的摄影图像美学风格分类方法，首先对AVA美学数据集进行预处理；然后建立改进自监督特征学习神经网络，用二分类的AVA美学数据集对改进自监督特征学习神经网络进行预训练；再提取出预训练完成的改进自监督特征学习神经网络的特征提取网络部分，并连接一个SoftMax分类器，建立分类网络模型；最后采用LSTM神经网络结构输出具体的数据增强策略，得到分类精度最佳的摄影图像美学分类模型。本发明采用改进自监督特征学习模型进行预训练，学习到更好的美学特征，从数据集中寻找最佳数据增强策略，得到最佳的摄影图像美学分类模型。
-
Patent Agency Ranking
公开(公告)号：CN116664945A
公开(公告)日：2023-08-29
申请号：CN202310690405.1
申请日：2023-06-12
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了考虑标签信息的多任务对比学习图像美学风格分类方法，首先对图像美学风格数据集进行预处理；然后针对图像美学风格属性设计不同的对比学习任务，构建基于多任务对比学习的美学风格特征学习神经网络模型，使用经过预处理图像美学风格数据集对美学风格特征学习模型进行预训练，训练过程中不断调整多任务损失权重使模型可以更好地学习图像美学风格特征；预训练完成后，提取出预训练完成的美学风格特征学习模型，并连接一个风格分类器，建立图像美学风格分类模型。本发明采用了多个对比学习任务对模型进行训练，并结合多任务权重均衡策略调整任务权重，综合提升图像美学风格特征编码器的学习能力和风格分类的准确度。
-
公开(公告)号：CN114301667A
公开(公告)日：2022-04-08
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：CN113537313A
公开(公告)日：2021-10-22
申请号：CN202110736686.0
申请日：2021-06-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于WGAN训练收敛的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包含生成器和判别器的WGAN模型。生成器生成数据，再利用判别器对生成的新数据和原始数据进行判断，进而将判别结果以代价的形式反馈给生成器，使生成器生成与原始数据更相近的新数据。在WGAN模型训练过程中，生成器和判别器交替训练，每一轮以判别器的代价函数收敛作为生成器和判别器训练平衡的纳什均衡点，指导生成器和判别器的训练更替。本发明提出的基于WGAN训练收敛的不平衡数据集分析方法，可以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，当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：CN119622264A
公开(公告)日：2025-03-14
申请号：CN202411786087.X
申请日：2024-12-06
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06F18/213 , G06F16/901 , G06N3/042 , G06N3/045
Abstract: 本申请公开了一种面向异构图的数据学习方法、系统、设备、介质及产品，涉及异构图学习领域，该方法包括：基于异构图得到节点集合和边集合；基于每个节点的标签，将节点集合分为多个节点子集合；基于多个节点子集合和边集合构建多个子图；针对任一子图中的任一节点，基于所述节点的特征矢量和所述节点与所述子图中邻居节点的拓扑关系，采用学习模型得到所述节点的最终嵌入矢量；所述学习模型包括依次连接的特征提取器、第一全连接层和第二全连接层。本申请针对异构图设计多层次学习模型，学习节点本身和邻居节点的信息，生成更具表现力的节点表示，提高了异构图的学习效果。
-
公开(公告)号：CN112488149B
公开(公告)日：2024-02-27
申请号：CN202011209655.1
申请日：2020-11-03
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/082 , G06N3/048 , G06N3/0499
Abstract: 本发明公开了一种基于1D‑CNN特征重构的网络安全数据分类方法，包括模型的构建与训练优化，具体为首先利用特征之间的相关性矩阵构建1D‑CNN深层学习模型，通过卷积、池化和全连接的全局卷积操作，生成低维的重构特征，完成数据的降维重构。再利用传统的浅层机器学习算法构建安全数据分类模型，实现对网络安全大数据中的威胁行为检测。本发明提出的基于1D‑CNN的特征重构方法，可以控制重构特征的维度，实现数据降维，不仅简化了深度学习的运算过程，还提高了模型的运算效率，在卷积层中利用特征之间的相关性，提高了重构特征之间的关联性，使分类结果更加准确。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.021 seconds)
