-
公开(公告)号:CN119251716A
公开(公告)日:2025-01-03
申请号:CN202411411495.7
申请日:2024-10-10
Applicant: 桂林理工大学
IPC: G06V20/17 , G06V10/25 , G06V10/82 , G06V10/776 , G06V10/764 , G06V10/42 , G06V10/44 , G06V20/70 , G06N3/0464 , G06N3/0495 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于DD‑YOLO的轻量化无人机目标检测方法,属于无人机小目标检测领域,该检测方法主要优化无人机视野下小目标的检查能力,以解决检测中所面临的目标小、密度高、遮挡严重及模型复杂等问题。本发明融入深度卷积轻量化网络模型,重构残差模块,替换C2f中的BottleNeck,在简化网络层级的同时增强骨干网络的特征提取能力;其次引入SE、MHSA注意力机制,改造空间金字塔池化层,使模型能够更全面地聚合局部和全局特征;在颈部网络添加四倍下采样分支以缓解对小目标的感受野不足的问题,提升提取小目标关键特征能力。将改进后的方法应用于无人机小目标检测中,相较于原始YOLOv8s方法,具有精度高,参数量小,计算量低,计算速度快等优势。
-
公开(公告)号:CN118196753A
公开(公告)日:2024-06-14
申请号:CN202410289925.6
申请日:2024-03-14
Applicant: 桂林理工大学
IPC: G06V20/58 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V10/42 , G06V10/80 , G06N3/08
Abstract: 本发明专利公开了一种基于改进YOLOv8网络的交通标志检测方法。通过收集并处理中文交通标志数据库中公布的交通标志图片和相关标签文件,并制作中文交通标志检测数据集(CTS)。以YOLOv8网络为基础,使用VanillaNet代替CSPDarkNet‑53作为主干网络,并将CBAM注意力机制引入检测分支,使用EIoU损失函数替换YOLOv8的原始回归损失函数,形成TsignNet网络。将TsignNet网络在CTS数据集上进行训练与检测,保存训练最优模型用于实际交通标志检测场景中。本发明专利实现了提升检测精度和速度的同时加强模型的小目标检测能力,为真实场景下的交通标志检测提供了技术支持。
-
公开(公告)号:CN118196489A
公开(公告)日:2024-06-14
申请号:CN202410289898.2
申请日:2024-03-14
Applicant: 桂林理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V10/42 , G06V10/80 , G06N3/08
Abstract: 本发明专利公开了一种基于轻量化YOLOv8的火灾烟雾检测方法。通过收集并处理中国科学技术大学火灾科学国家实验室公布的烟雾图片,并制作火灾烟雾检测数据集(FAS)。以YOLOv8网络为基础,使用双卷积(DualConv)改进主干网络的C2f模块,使用BiFPN网络改进原特征融合网络PAFPN,使用ShapeIoU损失函数替换YOLOv8的原始回归损失函数,形成FAS‑YOLO网络。将FAS‑YOLO网络在FAS数据集上进行训练与检测,保存训练最优模型用于实际火灾烟雾检测场景中。本发明专利在实现了模型轻量化的同时提升了模型的特征提取能力以及检测精度和速度,为真实场景下的火灾烟雾检测提供了技术支持。
-
公开(公告)号:CN114998971A
公开(公告)日:2022-09-02
申请号:CN202210743072.X
申请日:2022-06-27
Applicant: 桂林理工大学
Abstract: 本发明涉及深度学习隐私保护技术领域,具体涉及一种人脸识别的混合扰动差分隐私保护方法,包括抓取人脸数据;对所述人脸数据进行预处理,得到最小检测框;对所述最小检测框进行人脸重定位,得到训练数据;基于所述训练数据构建混合扰动差分隐私模型;改变三元组损失函数,使得所述混合扰动差分隐私模型通过所述训练数据训练后,得到混合扰动的神经元结点权重。所述混合扰动差分隐私模型将神经网络权重分割为网络权重和噪声权重,使得网络权重能够尽力去为神经网络提供学习能力,而噪声权重利用目标扰动又尽力去为网络权重提供隐私保护,解决了现有的隐私保护方法的深度神经网络的可用性较差的问题。
-
公开(公告)号:CN115982754A
公开(公告)日:2023-04-18
申请号:CN202211543557.0
申请日:2022-12-03
Applicant: 桂林理工大学
Abstract: 本发明公开了一种用于深度学习中支持多方联合训练的数据隐私保护方法,属于深度学习隐私保护技术领域。本发明基于不可逆变换技术的处理方式,采用将初始模型拆分为本地用户模型与中心服务器模型,并通过在本地模型中添加随机节点的方式使得本地训练过程不可逆。同时通过计算各数据集各类数据中各特征属性的可信度来降低低质量数据对于整体模型预测精度的影响。本发明可以有效的防止低质量数据参与训练对模型结果的破坏并能有效的保护各参与方数据集的隐私。与现有技术相比,消耗的计算资源与通信资源都较少。
-
公开(公告)号:CN114998971B
公开(公告)日:2024-11-22
申请号:CN202210743072.X
申请日:2022-06-27
Applicant: 桂林理工大学
IPC: G06V40/16 , G06N3/0464 , G06N3/084 , G06V10/25 , G06V10/774 , G06V10/82
Abstract: 本发明涉及深度学习隐私保护技术领域,具体涉及一种人脸识别的混合扰动差分隐私保护方法,包括抓取人脸数据;对所述人脸数据进行预处理,得到最小检测框;对所述最小检测框进行人脸重定位,得到训练数据;基于所述训练数据构建混合扰动差分隐私模型;改变三元组损失函数,使得所述混合扰动差分隐私模型通过所述训练数据训练后,得到混合扰动的神经元结点权重。所述混合扰动差分隐私模型将神经网络权重分割为网络权重和噪声权重,使得网络权重能够尽力去为神经网络提供学习能力,而噪声权重利用目标扰动又尽力去为网络权重提供隐私保护,解决了现有的隐私保护方法的深度神经网络的可用性较差的问题。
-
公开(公告)号:CN114580010A
公开(公告)日:2022-06-03
申请号:CN202210063642.0
申请日:2022-01-20
Applicant: 桂林理工大学
IPC: G06F21/62
Abstract: 本发明涉及数据匿名技术领域,具体涉及一种基于敏感分级信息熵的匿名方法,包括获取发布数据集;基于发布数据集建立匿名模型;基于发布数据集的信息熵建立信息损失衡量标准模型;基于信息损失衡量标准模型对发布数据集进行遍历,得到隐私安全指数最大的最大元组,将最大元组加入匿名模型中对应的等价组;使用等价组的准标识属性中心替代最大元组的值,得到匿名数据集,通过引入信息熵建立的信息损失衡量标准模型与匿名模型对发布数据集进行处理,得到的所述匿名数据的信息熵最高,即数据可用性最高,解决了现有的匿名方法对数据匿名后的数据可用性较低的问题。
-
公开(公告)号:CN114564575A
公开(公告)日:2022-05-31
申请号:CN202210058001.6
申请日:2022-01-19
Applicant: 桂林理工大学
Abstract: 本发明涉及人工智能技术领域,具体涉及一种基于倾斜随机森林的处理大量文本中识别不良文本的方法,包括读取文本数据;对文本数据进行预处理,得到文本向量;建立不良文本词典对所述文本向量进行不良率判断,若判断不合格则将所述文本向量定义为不良文本;若判断合格则得到文本集合并执行下一步;基于文本集合,利用随机森林构建倾斜随机森林分类模型;利用倾斜随机森林分类模型对文本向量进行分类,得到文本分类结果,通过倾斜随机森林分类模型得出的分类结果准确率较高,解决了传统的随机森林算法分类的准确率较低的问题。
-
公开(公告)号:CN116228906A
公开(公告)日:2023-06-06
申请号:CN202310100403.2
申请日:2023-02-12
Applicant: 桂林理工大学
IPC: G06T11/00 , G06T5/00 , G06F21/71 , G06N3/048 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/088
Abstract: 本发明提供了一种基于差分隐私的生成对抗网络图像生成系统,属于人工智能和隐私保护领域,所述系统包括:生成对抗网络由生成器和判别器组成,生成器用于捕获数据分布,产生图像数据;判别器用于估计样本是否来自训练数据,以判断生成数据是否接近真实分布;在需要用到原始数据的判别器损失函数上添加双向选择的噪声,损失函数由两个向量构成,在一个向量的某一个位置上添加了噪声时,另一个向量的对应位置就无需添加噪声,反之亦然,以满足差分隐私;对每一批输入的样本,判别器和生成器交叉训练和迭代,生成预期数量的图像数据。本发明基于差分隐私的生成对抗网络图像生成系统可以保护原始数在据训练过程中的隐私,同时提高生成图像的可用性。
-
公开(公告)号:CN116127513A
公开(公告)日:2023-05-16
申请号:CN202310098531.8
申请日:2023-02-10
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于线性变换的多数据集协作训练隐私方法,属于深度学习隐私保护技术领域。本发明基于线性变换技术采用向各参与者的线性变换矩阵添加噪声的方式保护各参与者训练数据隐私。同时使用优化算法迭代出满足参与者隐私需求条件下的最优噪声指数,该噪声指数使得经过线性变换后的训练数据的模型准确率与隐私保护度的加权和最大,使得模型能够平衡模型的准确性与隐私保护力度。与现有技术相比本发明平衡了数据隐私保护程度与模型准确率,同时考虑到各参与者对数据的不同程度的隐私需求。
-
-
-
-
-
-
-
-
-