-
公开(公告)号：CN110334749B
公开(公告)日：2021-08-03
申请号：CN201910537404.7
申请日：2019-06-20
Applicant: 浙江工业大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于注意力机制的对抗攻击防御模型的构建方法，首先利用特征图和通道注意力机制得到包含特征像素点的重构图，再利用特征像素点与原图相似度大的特点，运用空间注意力机制将无关像素点滤除，对特征像素点进行加强，最后得到防御后的图片，很大程度上降低了模型误判的概率，提高模型的鲁棒性。还公开了一种基于注意力机制的对抗攻击防御模型的构建方法获得的对抗攻击防御模型，以及对抗攻击防御模型在恶性图片识别中的应用。
-
公开(公告)号：CN113032776A
公开(公告)日：2021-06-25
申请号：CN202110184570.0
申请日：2021-02-08
Applicant: 浙江工业大学
Abstract: 本发明公开了一种面向特征嵌入中毒攻击的检测方法、装置和系统，通过测试样本分别在良性模型和待检测模型每网络层的互信息的分布状态，实现对待检测模型中毒攻击的检测，针对中毒攻击的模型，基于测试样本在模型的特征通道的改变来生成扰动图，基于扰动图的分布特征确定模型中毒目标类，并生成中毒样本。经实验结果表明，该检测方法、装置和系统具有良好的适用性，能够有效的判断模型是否中毒并生成相应的中毒样本，取得较好的检测效果。
-
公开(公告)号：CN109948658B
公开(公告)日：2021-06-15
申请号：CN201910138087.1
申请日：2019-02-25
Applicant: 浙江工业大学
Abstract: 本发明公开了一种面向注意力机制的对抗攻击防御方法，包括以下步骤：(1)采用注意力机制提取目标轮廓的轮廓特征，并且基于轮廓特征加入微小的扰动量，获得对抗样本，再通过动量迭代的方式优化扰动变量以更新对抗样本，从而实现对深度模型的对抗攻击；(2)利用对抗样本基于多强度对抗训练策略对深度模型进行对抗训练，以实现深度模型对对抗攻击的防御。该方法提高了分类器对对抗样本攻击的鲁棒性和泛化能力，从而使得分类器更加可靠、稳定，提高深度学习模型在实际应用过程中的安全性。还公开了一种面向注意力机制的对抗攻击防御方法在图像分类中的应用。
-
公开(公告)号：CN107301328B
公开(公告)日：2021-04-06
申请号：CN201710355340.X
申请日：2017-05-19
Applicant: 浙江工业大学
Abstract: 一种基于数据流聚类的癌症亚型精准发现与演化分析方法，包括以下步骤：(a)基因表达数据流的初始化；(b)基因表达数据流在线实时聚类，将每个到达的数据点投入与之相对应的网格单元中，并在线维护网格；到达指定时间节点时，根据网格的密度信息对稀疏网格进行删除；(c)基因表达数据流离线精准聚类，将网格视作自带密度信息的虚拟数据点，采用基于密度‑距离分布的聚类方法对这些虚拟的数据点进行聚类，根据被确定的聚类中心点的密度信息对其他数据点进行快速的聚类划分，最终输出聚类结果；(d)类簇演化迁移分析。本发明提供一种精度较高的基于数据流聚类的癌症亚型精准发现与演化分析方法。
-
公开(公告)号：CN111753986A
公开(公告)日：2020-10-09
申请号：CN202010600845.X
申请日：2020-06-28
Applicant: 浙江工业大学
Abstract: 本发明公开了一种面向深度学习模型的动态测试方法，包括如下步骤：S1、获取图片数据集与深度学习模型；S2、将图片数据集划分为训练集和测试集，利用训练样本训练深度学习模型得到分类模型；S3、从测试集中随机选取图片作为测试种子样本；S4、将测试种子样本输入分类模型中，若分类模型输出的分类结果与测试种子样本的标签不一致，则将测试种子样本作为测试样本，否则进入步骤S5；S5、基于测试种子样本在分类模型中的交叉熵损失和神经元覆盖率计算梯度；S6、根据梯度上升算法修改测试种子样本；S7、循环执行步骤S4～S6，直到所有测试种子样本都成为测试样本并输出；S8、利用测试样本评判模型的分类性能。
-
Patent Agency Ranking
公开(公告)号：CN107133496B
公开(公告)日：2020-08-25
申请号：CN201710355356.0
申请日：2017-05-19
Applicant: 浙江工业大学
Abstract: 一种基于流形学习与闭环深度卷积双网络模型的基因特征提取方法，包括以下步骤：第一步，基于流形学习的癌症关联基因特征粗提取，第二步，基于闭环深度卷积双网络结构的基因特征精细提取，过程如下：采用正向卷积神经网络和反向卷积神经网络相结合的双网络结构，利用卷积神经网络的特征提取能力对基因表达数据集进行深度抽象，最终投影出关键特征；反向卷积神经网络实现关键特征的逆投影。本发明提供一种最大程度保留基因特征并实现快速降维的基于流形学习与闭环深度卷积双网络模型的基因特征提取方法。
-
公开(公告)号：CN109639710A
公开(公告)日：2019-04-16
申请号：CN201811633759.8
申请日：2018-12-29
Applicant: 浙江工业大学
CPC classification number: H04L63/1416 , G06N3/0454 , G06N3/08 , H04L63/1441
Abstract: 本发明公开了一种基于对抗训练的网络攻击防御方法，包括：(1)构建节点分类模型，将原始网络结构所对应的邻接矩阵与标记类标的训练节点输入节点分类模型进行初始训练，得到初始分类模型；(2)依据对抗网络攻击算法和得到的初始分类模型依次修改每个训练节点的至少一个节点对，并迭代更新原始网络结构的邻接矩阵，构建所需的对抗网络；(3)利用得到的对抗网络与被标记类标的训练节点，重新训练初始分类模型，最终得到具有防御能力的节点分类模型。利用本发明的方法，可以提高模型对对抗样本的分类效果，从而提高对对抗网络攻击的防御效果。
-
公开(公告)号：CN109413068A
公开(公告)日：2019-03-01
申请号：CN201811268894.7
申请日：2018-10-29
Applicant: 浙江工业大学
IPC: H04L29/06
CPC classification number: H04L63/0428
Abstract: 本发明公开了一种基于对偶GAN的无线信号加密方法，包括：利用无线信号加密模型将原始无线信号加密成加密信号图像；利用无线信号解密模型将加密信号图像解密成解密无线信号；所述无线信号加密模型和无线信号解密模型通过以下模型训练体系训练得到，所述模型训练体系包括：无线信号加密网络Ag、无线信号加密判别网络Ad、无线信号解密网络Bg、无线信号解密判别网络Bd、无线信号分类网络C，对上述模型训练体系采用对Ag和C的预训练和对Ag、Ad、Bg、Bd以及C的联合训练，以确定无线信号加密模型和无线信号解密模型。该方法可以有效将无线信号加密为图片，提高信息传输的隐蔽性。
-
公开(公告)号：CN108334949A
公开(公告)日：2018-07-27
申请号：CN201810141306.7
申请日：2018-02-11
Applicant: 浙江工业大学
IPC: G06N3/08
Abstract: 一种优化深度卷积神经网络结构的快速进化方法，包括以下步骤：1)使用基于GNP的进化算法有效构建非线性的CNN网络结构，并对CNN结构的各种超参数进行变异以寻找最优的CNN超参数组合；2)在进化过程中，设计了一种多目标的网络结构评价方法，将分类准确率和分类器的复杂程度同时作为优化目标，目的是有效生成具有高分类准确率和简单结构的CNN分类器；3)提出了增量式训练方法，在上一代CNN结构的基础上进行子代CNN结构的训练。本发明能减少模型的训练次数，降低算法的时间复杂度。
-
公开(公告)号：CN111753986B
公开(公告)日：2024-03-19
申请号：CN202010600845.X
申请日：2020-06-28
Applicant: 浙江工业大学
IPC: G06N3/084 , G06N3/0499 , G06V10/764 , G06V10/774 , G06V40/16 , G06F16/51 , G06V10/82
Abstract: 本发明公开了一种面向深度学习模型的动态测试方法，包括如下步骤：S1、获取图片数据集与深度学习模型；S2、将图片数据集划分为训练集和测试集，利用训练样本训练深度学习模型得到分类模型；S3、从测试集中随机选取图片作为测试种子样本；S4、将测试种子样本输入分类模型中，若分类模型输出的分类结果与测试种子样本的标签不一致，则将测试种子样本作为测试样本，否则进入步骤S5；S5、基于测试种子样本在分类模型中的交叉熵损失和神经元覆盖率计算梯度；S6、根据梯度上升算法修改测试种子样本；S7、循环执行步骤S4～S6，直到所有测试种子样本都成为测试样本并输出；S8、利用测试样本评判模型的分类性能。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.035 seconds)
