-
公开(公告)号：CN113361564B
公开(公告)日：2024-03-29
申请号：CN202110503467.8
申请日：2021-05-10
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 基于深度残差网络的中药饮片识别方法，包括：S1：数据采集：采集常见的中药饮片图片；S2：数据处理：对采集的原图进行处理；S3：模型训练：用训练集训练网络模型；S4：数据识别：用中药饮片分类网络对中药饮片进行识别。本发明还包括实施上述基于深度残差网络的中药饮片识别方法的系统，包括依次连接的数据获取模块，数据处理模块，网络训练模块和数据识别模块。本发明在深度残差网络的基础上结合通道注意力机制来识别中药饮片，注意力机制的引入能够捕捉相似饮片的细微差异特征，提高识别准确率，降低了人力和时间成本，为非中医药学专业人士分辨生活中的中药饮片提供了思路。
-
公开(公告)号：CN112463387B
公开(公告)日：2024-03-29
申请号：CN202011427759.X
申请日：2020-12-07
Applicant: 浙江工业大学
IPC: G06F9/50 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 基于GPU时空资源消耗识别本地服务器上深度学习模型的方法，包括：(S1):搭建采集本地服务器GPU的使用率和功耗数据的实验平台；(S2):在本地服务器上使用tensorflow、pytorch等开源深度学习框架运行各种常见的深度学习模型；(S3)：在本地服务器运行深度学习模型的过程中实时抓取GPU的使用率和功耗数据；(S4):对采集到的数据进行处理；(S5):搭建卷积神经网络对采集到的数据进行分类，以混淆矩阵的方式呈现测试结果。最后结果表明深度学习模型在运行时，本地服务器的GPU使用率和功耗与其内在模型存在相关性，通过对这种相关性的分析，可以得到很多关于模型的有效信息。
-
公开(公告)号：CN113111731B
公开(公告)日：2024-07-19
申请号：CN202110311489.4
申请日：2021-03-24
Applicant: 浙江工业大学
IPC: G06F18/214 , G06N3/094 , G06N3/045 , G06N3/0475 , G06N3/0464
Abstract: 本发明公开了一种基于侧信道信息对深度神经网络灰盒攻击的方法，包括：(S1)：在嵌入式智能设备上运行各种常见的深度学习模型，同时采集设备运行时的各种功耗数据；(S2)：基于侧信道攻击来识别目标模型的基本网络结构；(S3)：利用识别出的网络结构生成等价模型；(S4)：使用训练的等价模型生成对抗样本。本发明还包括一种基于测信道信息的深度神经网络黑盒对抗样本生成系统，由数据采集模块、识别深度学习模型模块、等价模型生成模块和对抗样本生成模块组成；本发明可以根据功耗轨迹使用适当的机器学习算法识别出模型结构，然后利用识别出的模型结构训练出和目标模型有相同决策边界的等价模型，最后利用等价模型生成对抗样本对目标模型进行攻击。
-
公开(公告)号：CN113362374A
公开(公告)日：2021-09-07
申请号：CN202110633431.1
申请日：2021-06-07
Applicant: 浙江工业大学
Abstract: 一种基于目标跟踪网络的高空抛物检测方法，包括：S1)获取初始图片帧构建监控场景背景模型；S2)由后续输入图像与背景模型的相似度，进行运动目标检测并更新背景模型；S3)利用目标跟踪网络对运动目标进行跟踪，记录其完整轨迹；S4)对记录的完整运动轨迹做分析，确定符合高空抛物运动规律的物体；S5)对确定为高空抛物的事件进行记录，用于后续事件回溯并及时告警。本发明还提供实施一种基于目标跟踪网络的高空抛物检测方法的系统，由图像获取模块、运动目标检测模块、运动目标跟踪模块、轨迹分析模块、事件记录告警模块依次连接而成。本发明通过优化目标跟踪网络来获取更加完整的抛物轨迹，在提升了检测准确率的同时还降低了误报率。
-
公开(公告)号：CN112463387A
公开(公告)日：2021-03-09
申请号：CN202011427759.X
申请日：2020-12-07
Applicant: 浙江工业大学
Abstract: 基于GPU时空资源消耗识别本地服务器上深度学习模型的方法，包括：(S1):搭建采集本地服务器GPU的使用率和功耗数据的实验平台；(S2):在本地服务器上使用tensorflow、pytorch等开源深度学习框架运行各种常见的深度学习模型；(S3)：在本地服务器运行深度学习模型的过程中实时抓取GPU的使用率和功耗数据；(S4):对采集到的数据进行处理；(S5):搭建卷积神经网络对采集到的数据进行分类，以混淆矩阵的方式呈现测试结果。最后结果表明深度学习模型在运行时，本地服务器的GPU使用率和功耗与其内在模型存在相关性，通过对这种相关性的分析，可以得到很多关于模型的有效信息。
-
Patent Agency Ranking
公开(公告)号：CN113361565A
公开(公告)日：2021-09-07
申请号：CN202110526682.X
申请日：2021-05-14
Applicant: 浙江工业大学
Abstract: 一种针对激光雷达的对抗样本生成方法，包括以下步骤：1)在点云图中找出需要被攻击的目标以及目标的脆弱区域；2)在步骤1的目标区域生成对抗性的独立点；3)对步骤2生成的对抗性的独立点基于扰动指标进行优化；4)在步骤3的基础上基于对抗点产生对抗性团簇；5)对步骤4产生的对抗性团簇基于扰动指标进行优化，最终生成对抗样本。本发明还提供实施一种针对激光雷达的对抗样本生成的方法的系统，由目标检测以及筛选模块、对抗点生成模块、对抗点优化模块、对抗点团簇生成模块、对抗团簇优化模块连接而成。本发明生成的激光雷达点云对抗样本对抗性高，相对原始数据的损失小能更好保留原始数据的基本特征。
-
公开(公告)号：CN113223081A
公开(公告)日：2021-08-06
申请号：CN202110333628.3
申请日：2021-03-29
Applicant: 浙江工业大学
Abstract: 一种基于背景建模与深度学习的高空抛物检测方法，包括：S1)获取监控摄像头前S帧图像用于建立初始混合高斯背景模型B；S2)从监控视频流中读取最新图像帧与背景模型B进行匹配，确定前景与背景，并更新背景模型B；S3)对前景部分的像素区域通过CNN进行特征提取记录，并剔除错误前景区域；S4)重复S2与S3步骤，将不同时刻运动物体进行特征匹配，形成匹配集合Z；S5)当S4中匹配结束后，对匹配集合Z通过LSTM进行时序分析，确定真正的高空抛物事件，进行记录并及时告警。本发明还提供实施一种基于背景建模与深度学习的高空抛物检测方法的系统。本发明能快速在实地布署进行高空抛物检测，且能检测到最小尺寸为2像素点的物体。
-
公开(公告)号：CN113111731A
公开(公告)日：2021-07-13
申请号：CN202110311489.4
申请日：2021-03-24
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于侧信道信息对深度神经网络灰盒攻击的方法，包括：(S1)：在嵌入式智能设备上运行各种常见的深度学习模型，同时采集设备运行时的各种功耗数据；(S2)：基于侧信道攻击来识别目标模型的基本网络结构；(S3)：利用识别出的网络结构生成等价模型；(S4)：使用训练的等价模型生成对抗样本。本发明还包括一种基于测信道信息的深度神经网络黑盒对抗样本生成系统，由数据采集模块、识别深度学习模型模块、等价模型生成模块和对抗样本生成模块组成；本发明可以根据功耗轨迹使用适当的机器学习算法识别出模型结构，然后利用识别出的模型结构训练出和目标模型有相同决策边界的等价模型，最后利用等价模型生成对抗样本对目标模型进行攻击。
-
公开(公告)号：CN113111204A
公开(公告)日：2021-07-13
申请号：CN202110284003.2
申请日：2021-03-17
Applicant: 浙江工业大学
IPC: G06F16/53 , G06F16/51 , G06F16/55 , G06F16/951 , G06N3/04
Abstract: 一种基于形态判别网络的中药饮片图像数据清洗方法，包括：S1：在常见的图像搜索引擎中，获取常见的中药饮片及其负样本图像数据，按形态分类保存；S2：筛选中药饮片数据，删去不符合要求的图片；S3：使用图像旋转和镜像等操作对各类别图像数据进行扩充，并在负样本数据中添加随机噪声生成的图片；S4：使用形态分类数据训练形态判别网络；S5：从互联网按照中药饮片名称逐类获取中药饮片数据；S6：利用形态判别器对获取的中药饮片图像数据进行清洗。本发明还包括实施发明方法的系统。本发明大大降低了清洗中药饮片图像数据所花费的人力成本和时间成本，而且拥有较好的数据清洗效果。
-
公开(公告)号：CN112712589A
公开(公告)日：2021-04-27
申请号：CN202110023105.9
申请日：2021-01-08
Applicant: 浙江工业大学
Abstract: 一种基于激光雷达和深度学习的植株3D建模的方法，包括以下步骤：1)在多个视角使用激光雷达对植株进行静态扫描，获取不同视角的原始点云数据；2)对步骤1获得的各个激光雷达原始点云数据进行滤波去噪、降采样的预处理；3)从步骤2处理后的激光雷达点云数据中提取语义特征点、对环境中各个目标进行识别；4)对步骤3识别到的目标中进行选定，分离出植株的点云信息；5)对经过步骤4处理的多个点云数据进行拼接；6)对步骤5处理完的点云数据进行网格平滑；7)对步骤6处理完的点云数据进行三维建模。本发明还提供一种基于激光雷达和深度学习的植株3D建模的系统。本发明的植株真实性好、几何精度高，分离效果好。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.02 seconds)
