-
公开(公告)号：CN119940556A
公开(公告)日：2025-05-06
申请号：CN202510433379.3
申请日：2025-04-08
Applicant: 电子科技大学
Abstract: 一种基于共轭链推理和智能门控函数的社交媒体言论立场检测方法,涉及自然语言处理领域。本发明通过构建两条平行的共轭立场链，实现了推理过程的并行化，有效缩短了推理时间。另外一方面，本发明通过评分函数综合反映推理的成熟度，当评分超过预设的上阈值或低于下阈值时，系统会立即终止链路延长，确定文本的立场为“支持”或“反对”。这种机制有效避免了过度推理，提高了推理的效率。本发明通过引入动态交互和条件性融合机制，两条链路在推理过程中能够相互影响与修正，这不仅提高了推理的效率，还增强了稳定性。在仲裁阶段，系统会综合两条链路和参考节点的信息，生成最终节点，确保推理结果的鲁棒性和可信度。
-
公开(公告)号：CN119785138A
公开(公告)日：2025-04-08
申请号：CN202411583269.7
申请日：2024-11-07
Applicant: 电子科技大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V10/25 , G06N3/0475 , G06N3/094 , G06N3/0455
Abstract: 本发明公开了一种基于信息瓶颈约束的目标检测对抗训练方法，包括步骤：S1，预训练目标检测模型M2；S2，基于MTD方法生成干净样本x的对抗样本#imgabs0#；S3，将x和#imgabs1#送入编码器进行对比训练；S4，在后验分布中进行一次蒙特卡洛采样，生成x和#imgabs2#对应的编码#imgabs3#和#imgabs4#，并将#imgabs5#和#imgabs6#送入解码器继续前向传播，计算M2的检测损失L；S5，重复步骤S4共S次，计算对抗训练损失更新M2的参数；S6，重复步骤S2到步骤S5，直到M2收敛。本发明能显著增强目标检测模型的鲁棒性的同时减轻对抗训练对模型精度造成的损失，在适应性白盒攻击和黑盒攻击下均能实现对目标检测模型的对抗鲁棒性增强，具备优异的泛化性和稳定性。
-
公开(公告)号：CN118397363A
公开(公告)日：2024-07-26
申请号：CN202410579019.X
申请日：2024-05-11
Applicant: 电子科技大学
IPC: G06V10/764 , G06T7/246 , G06V20/40 , G06T5/50 , G06N3/0475 , G06N3/0464 , G06N3/094
Abstract: 本发明公开了一种基于分类回归图对齐的视觉单目标跟踪对抗防御方法，包括获取视频数据集并预处理；构造基于分类回归图对齐的视觉单目标跟踪对抗防御网络AADN；结合搜索分支训练Def1；结合模板分支训练Def2，得到训练好的AADN，将带有未知扰动的视频中的图像帧用训练好的AADN得到防御后搜索区域、防御后模板区域，送入目标跟踪器中处理。本发明通过对抗训练学习过滤干净样本邻域内的潜在对抗扰动，增强其对未知对抗扰动的防御能力，使目标跟踪器有更好的鲁棒性和泛化性、训练好的AADN即插即用，无需对跟踪器的参数进行调整，具有良好的迁移性，并能使目标跟踪器维持着速度与精度的良好平衡。
-
公开(公告)号：CN117235572B
公开(公告)日：2024-02-27
申请号：CN202311143311.9
申请日：2023-09-06
Applicant: 电子科技大学
IPC: G06F18/24 , G06F18/25 , G06N3/042 , G06N3/0455 , G06N3/048 , G06N3/0442 , G06N3/08 , G06Q10/04
Abstract: 本发明公开了一种基于时空信息的多元时间序列异常检测方法，包括获取多元时间序列并进行滑动窗口采样，N维时间序列标记为A1～AN；构建一异常检测网络，包括时间信息提取模块、图结构学习模块、空间信息提取模块、预测输出模块、异常评分模块；用异常检测网络分别进行时间特征提取、图结构学习、空间信息提取、计算预测变量；计算风险最小化函数，并多次重复上述步骤训练异常检测网络得到训练好的异常检测模型，并用于多元时间序列的异常检测。本发明同时捕获序列时序信息与序列间依赖信息，能够更好地从训练数据中学习预测数据正常行为并提升异常检测效果，具有良好的检测准确度与较高的运算速度。
-
公开(公告)号：CN111552710B
公开(公告)日：2023-07-04
申请号：CN202010352089.3
申请日：2020-04-28
Applicant: 电子科技大学
IPC: G06F16/2453 , G06F16/28
Abstract: 本发明公开了一种分布式数据库的查询优化方法，方法包括：修改LIP算法中的计算操作并下推部分计算，基于多表聚合操作完成后的聚合数据建立哈希表并完成探测，形成分布式的LIP算法；在存储层构建过滤器，数据在TiKV节点完成表扫描和算子操作后，以维度表的每个分区表构建过滤器，构建完成的过滤器通过网络分发到其他节点；修改缺失率计算公式，探测过滤器并计算过滤器的缺失率，按照缺失率对过滤器升序排列；数据经过TiKV节点的算子计算和过滤器勘测后，返回TiKV节点，并在TiDB服务器上进行聚合之后，将聚合后的查询结果返回给客户端。通过本发明能降低次优计划执行对查询性能的影响，提升TiDB在星型模型查询下的性能，并减少分布式环境下的数据网络开销。
-
Patent Agency Ranking
公开(公告)号：CN111522791B
公开(公告)日：2023-05-30
申请号：CN202010362251.X
申请日：2020-04-30
Applicant: 电子科技大学
IPC: G06F16/182 , G06F16/174
-
公开(公告)号：CN114926498B
公开(公告)日：2023-05-23
申请号：CN202210451117.6
申请日：2022-04-26
Applicant: 电子科技大学
IPC: G06T7/246 , G06T7/223 , G06V10/40 , G06V10/74 , G06V10/75 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于时空约束与可学习特征匹配的快速目标跟踪方法，公开了一种基于孪生网络结构，采用时空约束机制与可学习特征匹配策略的快速目标跟踪方法。通过设置时序约束分支与空间约束分支分别捕捉并融合随时序变化的目标外观高维特征表示与限制空间搜索尺度，降低跟踪算法计算量并缓解目标因自身运动与环境变化所导致的自身视觉特征的变化。本发明通过设置可学习特征匹配模块完成特征匹配任务，相比于主流的无参互相关方法能够更好地从训练数据中学习正负样本分布并提升跟踪效果。本发明提出的跟踪方法具有良好的跟踪准确度与较高的运算速度，能够部署在运算资源受限的嵌入式平台，能完成准确的视觉目标跟踪任务。
-
公开(公告)号：CN115563650A
公开(公告)日：2023-01-03
申请号：CN202211262070.5
申请日：2022-10-14
Abstract: 本发明公开了一种基于联邦学习实现医疗数据的隐私保护系，涉及医疗数据管理技术领域，包括医疗终端设备、医疗边缘服务器和医疗云中心服务器；医疗终端设备可通过变分建模对医疗数据进行预处理以实现隐私增强并得到模型训练数据；医疗边缘服务器用于将模型训练数据传入多模态模型，筛选得到生命体征区域特征，对全局医疗模型进行训练，得到局部模型，在局部模型梯度中加入本地微分扰动噪声；初始化和更新全局医疗模型。本发明为基于联邦学习的云边、智能、安全、可信的架构，能实现云边智能协同下的医疗模型训练；实现了医疗数据多模态融合的细粒度分类，提高了模型的准确率；将变分建模和差分隐私集成到系统架构中，确保医疗数据的高机密性。
-
公开(公告)号：CN113392899B
公开(公告)日：2022-05-10
申请号：CN202110650074.X
申请日：2021-06-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于二值化图像分类网络的图像分类方法，包括以下步骤：S1：采集原始图像，并对原始图像进行初始化；S2：根据初始化后的原始图像，搭建图像分类网络；S3：利用图像分类网络的softmax分类器进行图像分类。该图像分类方法对传统图像分类中运算量最大的卷积运算模块的卷积核进行二值化处理，使用4个同规格的二值化卷积核进行线性近似，节约算法存储空间开销。
-
公开(公告)号：CN111191717B
公开(公告)日：2022-05-10
申请号：CN201911389624.6
申请日：2019-12-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于隐空间聚类的黑盒对抗样本生成算法，包括如下步骤：步骤1，利用卷积自编码器提取图像样本的特征表示；步骤2，当需要被攻击模型产生误分类时，利用图像样本的特征表示进行误分类对抗样本生成算法，得到对抗样本；步骤3，当需要对被攻击模型进行目标对抗时，利用图像样本的特征表示进行目标对抗样本生成算法，得到对抗样本。本发明通过采用卷积自编码器提取图像样本的特征表示，从而实现隐空间聚类，并且不需要了解目标模型的结构，实现黑盒对抗样本生成算法。
-
-
-
-
-
-
-
-
-
Search Results
149
records
(took 0.028 seconds)
