-
公开(公告)号：CN114330554B
公开(公告)日：2025-04-08
申请号：CN202111639661.5
申请日：2021-12-29
Applicant: 浙江大学
Abstract: 一种面向智能安防的视觉深度模型知识重组方法，首先，收集安防边缘测的视觉数据，明确模型任务，收集数据进行标注，训练目标任务模型。然后，利用归因图计算目标模型和不同预训练模型之间的可迁移分数，将归一化的可迁移分数作为模型选择的概率，可放回地采样形成模型集合；在联邦学习范式的基础上，将目标模型分发到不同的节点，利用表征蒸馏迁移预训练模型的特征提取能力，在目标模型学习和迁移完成后，通过平均的方式在中心节点进行知识重组，重组过后的模型再次分发到选择的模型节点进一步迭代。最后，再利用目标数据集进行微调目标模型，从而学习得到一个在智能安防领域的目标任务上表现良好的视觉深度模型，并且保护了数据隐私和模型隐私。
-
公开(公告)号：CN118155661A
公开(公告)日：2024-06-07
申请号：CN202410265676.7
申请日：2024-03-08
Applicant: 浙江大学宁波“五位一体”校区教育发展中心
IPC: G10L25/51 , G10L15/08 , G10L15/26 , G10L19/18 , H04L9/40 , H04L9/32 , G06F18/25 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09 , G06Q50/50
Abstract: 一种基于多模态融合深度神经网络模型电信反欺诈方法和系统，其方法包括：步骤1.将信息中的语音模态转换为文字模态；步骤2.将信息中的图像进行切片并转换为图像数字向量；步骤3.将信息中的文本转换为数字向量；步骤4.文本图像信息融合向量生成；步骤5.多层联合向量的深度学习网络迭代训练；步骤6.欺诈识别预测；待预测是否为欺诈的样本输入到已经训练好的分类器模型中，利用最后一层迭代后的输出向量，经过双曲正切函数进行映射，完成欺诈预测时的是否违规的判断。
-
公开(公告)号：CN116881716A
公开(公告)日：2023-10-13
申请号：CN202310851553.7
申请日：2023-07-12
Applicant: 浙江大学
IPC: G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/0442 , G06N3/09 , G06F17/16 , G06F17/11
Abstract: 基于时序二分图神经网络的用户缺失属性补全方法，首先，对时序用户属性矩阵进行预处理，进行数据归一化，并记录分类变量和连续变量。然后将时序用户属性矩转化为时序二分图结构，并采用图卷积神经网络来聚合提取图中节点嵌入向量和边嵌入向量，并使用LSTM融合不同时间步的节点特征；将时序二分图中预测边的两端节点的图特征拼接作为用户节点‑属性节点的边预测模型的输入；采用多个线性层构建边预测模型，引入多任务学习框架同时学习分类任务和回归任务，从而灵活处理分类变量和连续变量。最后，通过该框架来对用户缺失属性进行补全，并将结果写回原数据中。本发明还包括基于时序二分图神经网络的用户缺失属性补全方法的系统。
-
公开(公告)号：CN116796699A
公开(公告)日：2023-09-22
申请号：CN202310841499.8
申请日：2023-07-11
Applicant: 浙江大学 , 国网山东省电力公司济南供电公司
IPC: G06F30/398 , G06N3/088 , G06N3/0895 , G06N3/092 , G06N3/045
Abstract: 基于状态关系主动提问的存储电路智能化设计方法和系统，其方法包括：首先将存储电路数据的节点特征进行对齐从而构建存储电路结构状态的一条高维向量表示。然后利用随机采样的存储电路结构数据训练特征提取器，之后构建强化学习模型。在训练强化学习模型时，将每一步遇到的存储电路结构状态特征提取出来，并放入特征池中。然后依据每一步当前存储电路结构状态特征与特征池的距离，判断是否向专家进行提问。若向专家提问，专家会给予具体动作建议让模型去执行。最后，为了保证模型能够快速学习专家知识，为每一条专家建议的样本设置额外的内置奖励。
-
公开(公告)号：CN115761453A
公开(公告)日：2023-03-07
申请号：CN202211285599.9
申请日：2022-10-20
Applicant: 浙江大学
IPC: G06V20/00 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 一种面向电力巡检场景的基于特征匹配的轻量化单样本目标检测方法，包括下列步骤：1)基于掩码的基类别目标检测模型训练；2)新类别标注样本的数据增强；3)新类别标注样本的特征提取；4)模型在测试数据上的初步推理；5)使用传统特征修正推理结果。通过上述步骤，本发明实现了在每个类别标注样本极其稀少情况下(1个)的目标检测，并克服了传统单样本目标检测中依赖于测试图像类别先验知识的问题，同时还使用神经架构搜索，在尽量保持模型性能的同时减少模型的参数量。
-
Patent Agency Ranking
公开(公告)号：CN115731433A
公开(公告)日：2023-03-03
申请号：CN202211503704.1
申请日：2022-11-28
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 一种基于模型权重混合的在线知识蒸馏方法及系统，包括：1)服务端收集标注数据，划分为训练集和验证集；2)选取N个相同架构的学生模型，并通过线性加权学生参数构建权重混合模型；3)选取数据增强将训练集扩充成N+1份，分别输入N个学生和权重混合模型中，得到N+1个预测输出以及他们的平均集成预测；4)计算每个学生和权重混合模型的分类损失；5)计算每个学生输出与集成预测之间的知识蒸馏损失；6)计算每个学生的参数优化目标并更新N个学生的参数；7)重复3‑6步骤，每个轮次后根据更新后的学生重新构建混合权重模型，并每隔固定轮次Δ，将混合权重模型的参数融合到学生中；8)选取验证集上表现最优的模型部署到终端设备上。
-
公开(公告)号：CN110097084B
公开(公告)日：2021-08-31
申请号：CN201910264911.8
申请日：2019-04-03
Applicant: 浙江大学
Abstract: 通过投射特征训练多任务学生网络的知识融合方法，由以下步骤组成：首先初始化TargetNet(目标学生网络)的结构与教师网络相同，通过通道编码，将TargetNet中融合的特征图投射为对应任务的特征图；逐个训练TargetNet中与教师网络对应的block，得到融合的特征图；确定TargetNet中不同任务开始分支的各自位置；将教师网络中的对应block加入学生网络，作为不同任务的分支，并移除TargetNet中末端的block，得到TargetNet最终结构；最后调优学生网络。本方法能够使用无标签数据集，融合多个不同任务的教师网络，得到性能优越的轻量级学生网络。
-
公开(公告)号：CN111160124A
公开(公告)日：2020-05-15
申请号：CN201911265084.0
申请日：2019-12-11
Applicant: 浙江大学
Abstract: 一种基于知识重组的深度模型定制方法，包括：1)收集已有训练好的深度人脸属性识别模型，构建人脸属性识别模型库，将各类模型进行分组归类；2)根据当前对人脸属性识别的任务需求，将目标任务分解为一系列识别不同人脸属性的“组件任务”，并从深度模型库中选择相关的模型；3)对选中的人脸属性识别模型，进行知识过滤，将多个深度模型中，与“组件任务”相关的知识合并到“组件网络”中；4)对“组件网络”进行组合，得到最终的“目标网络”。本发明利用现有深度模型的知识，逐过程指导新模型的学习，有效减少对数据标注、数据量的依赖，降低训练新深度模型耗费的周期和资源。
-
公开(公告)号：CN119445194A
公开(公告)日：2025-02-14
申请号：CN202411356507.0
申请日：2024-09-27
Applicant: 浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
IPC: G06V10/764 , G06N3/084 , G06N3/0464 , G06N3/0895 , G06T7/00 , G06T7/73
Abstract: 本发明公开了一种位置自监督的结直肠CT图像病变识别与定位方法，其通过自动化图像级分类和Patch级定位，显著减少医生工作量，并通过自监督学习减少对标注数据的依赖，具体包括构建多模态CT扫描序列数据集，关键帧选取与标注，图像预处理，以及结直肠CT图像识别与定位网络的构建和训练；网络包含图像级分类分支和Patch级定位分支，后者通过病变位置自监督模块增强病变区域识别；方法还包括时序和模态一致性约束，以提高病变区域位置定位的准确性；此外，方法通过掩码校正回路策略，增强类别标签与病变位置的一致性；本发明方法作为辅助工具，能够有效辅助医生进行手术规划和治疗选择，具有重要的临床应用价值。
-
公开(公告)号：CN119130492A
公开(公告)日：2024-12-13
申请号：CN202411234924.8
申请日：2024-09-04
Applicant: 浙江大学宁波“五位一体”校区教育发展中心
IPC: G06Q30/018 , G06Q50/50 , G06F18/213 , G06F18/24 , G06F18/2135 , G06N3/048
Abstract: 一种针对快速变异信息的小样本电信反欺诈方法和装置，其方法包括：利用通用大模型构建特征抽取器；利用新数据收集支撑数据集；利用通用大模型收集支撑数据集的特征向量；获取支撑数据集的表征向量表达，组装特征矩阵；训练扩展小模型以适配新的数据风险。本发明首先收集小样本的支持数据集，通常为几条至几十条不等，然后利用超大规模语言模型对支撑文本进行数值特征转换，保留文本语义的同时降低大样本的需求；接着在支撑文本的样例空间进行降维，保留对新风险识别精度最大贡献的维度，最后在新特征空间中训练小模型完成新风险的识别。本发明针对快速变异的电信反欺诈识别问题，提供一种可持续发展的可快速迭代的小样本电信欺诈风险识别方法。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.028 seconds)
