-
公开(公告)号：CN110309331B
公开(公告)日：2021-07-27
申请号：CN201910599265.0
申请日：2019-07-04
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F16/51 , G06F16/583 , G06F16/31 , G06F16/33 , G06K9/62
Abstract: 本发明专利涉及一种基于自监督的跨模态联合哈希检索方法，该方法包括以下步骤：步骤1：针对图像模态数据进行处理：采用深度卷积神经网络对图像模态的数据进行特征提取，对图片数据进行哈希学习，将深度卷积神经网络的最后一层全连接层的节点个数设置为哈希码的长度；步骤2：针对文本模态数据进行处理：使用词袋模型对文本数据进行建模，建立一个两层的全连接神经网络对文本模态的数据进行特征提取，神经网络的输入是使用词袋模型表示的词向量，第一个全连接层节点的数据与第二个全连接层节点的数据与哈希码的长度相同；步骤3：针对类别标签处理的神经网络：采用自监督的训练方式从标签数据中提取语义特征；步骤4：最小化图像与文本网络所提取的特征与标签网络的语义特征间的距离，使得图像与文本网络的哈希模型能够更充分学习不同模态间的语义特征。
-
公开(公告)号：CN107784663B
公开(公告)日：2020-10-20
申请号：CN201711124878.6
申请日：2017-11-14
Applicant: 哈尔滨工业大学深圳研究生院
Abstract: 本发明公开了一种基于深度信息的相关滤波跟踪方法及装置，其方法包括：基于深度图的图像分割技术，自适应性量化深度信息，得到深度图像分割结果；利用深度图像分割结果，根据不同场景构建相应的三维空间模型的分层结构；利用分层结构，并结合核相关滤波跟踪算法处理目标尺度变化及检测遮挡。本发明一方面过滤前景和背景信息减少跟踪的干扰因素，结合成熟的图像特征提取技术；另一方面这样的分层结构简化了深度信息的使用方法，使得处理目标尺度变化以及检测遮挡更为容易。结合核相关滤波跟踪算法实现了使用二维表观模型在空间结构下的跟踪方法，能够有效应对遮挡和处理目标尺度变化，提高视觉跟踪效果。
-
公开(公告)号：CN111091199A
公开(公告)日：2020-05-01
申请号：CN201911335678.4
申请日：2019-12-20
Applicant: 哈尔滨工业大学(深圳)
IPC: G06N20/00
Abstract: 本发明公开了一种基于差分隐私的联邦学习方法、装置和存储介质。所述方法包括：S1、将预设的第一模型参数下发至用户端，使所述用户端根据所述第一模型参数，基于差分隐私技术更新所述用户端本地的深度学习模型并返回第二模型参数；其中，所述第一模型参数包括隐私预算；S2、对所述第二模型参数进行参数平均化，得到第三模型参数，并将所述第三模型参数下发至所述用户端；S3、将步骤S1～S2的执行总次数作为模型训练轮次，并当所述模型训练轮次未达到预设阈值时重复执行步骤S1和步骤S2，反之结束模型训练。本发明能够保障数据隐私安全，并提高训练模型的精确度。
-
公开(公告)号：CN108447080A
公开(公告)日：2018-08-24
申请号：CN201810175534.6
申请日：2018-03-02
Applicant: 哈尔滨工业大学深圳研究生院
Abstract: 本发明公开了一种基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质，其方法包括：获取跟踪目标的当前视频帧的检测响应以及当前视频帧之前的所有视频帧的跟踪片段；为每一条跟踪片段计算其置信度，其中，跟踪片段置信度是指当前已经完成部分连接的跟踪片段的可信赖程度；根据置信度的大小，将所有的跟踪片段分为高可靠度跟踪片段和低可靠度跟踪片段两部分，并以当前视频帧的检测响应为关联对象，为高可靠度跟踪片段进行局部数据关联处理，为低可靠度跟踪片段进行全局数据关联处理。本发明可以有效降低关联算法的时间复杂度，能够有效缓解在跟踪的过程中出现的局部遮挡问题，同时可以实现算法的鲁棒性和实时性的均衡。
-
公开(公告)号：CN113486665B
公开(公告)日：2023-06-20
申请号：CN202110757350.2
申请日：2021-07-05
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F40/295 , G06F21/62 , G06N3/042 , G06N3/047 , G06N3/084 , G06F18/214 , G06F18/2415
Abstract: 本发明公开了一种隐私保护文本命名实体识别方法、装置、计算机设备及存储介质，方法包括：接收多个数据持有方发送的多个训练好的教师模型，所述教师模型通过使用源数据进行训练，包括第一预训练网络和第一序列标注层，所述源数据为标注文本数据；根据多个训练好的教师模型，利用无标签的迁移集合进行多教师知识蒸馏从而训练学生模型，所述学生模型包括第二预训练网络和第二序列标注层；利用训练好的学生模型对无标签文本数据的命名实体进行预测。本发明将知识蒸馏应用于数据分散的真实场景，在数据可用不可见的前提下，通过无标签的迁移集合，训练出强大的学生模型，从而在隐私保护的前提下，保证学生模型在命名实体识别任务上的泛化性和准确性。
-
Patent Agency Ranking
公开(公告)号：CN111091199B
公开(公告)日：2023-05-16
申请号：CN201911335678.4
申请日：2019-12-20
Applicant: 哈尔滨工业大学(深圳)
IPC: G06N20/00
Abstract: 本发明公开了一种基于差分隐私的联邦学习方法、装置和存储介质。所述方法包括：S1、将预设的第一模型参数下发至用户端，使所述用户端根据所述第一模型参数，基于差分隐私技术更新所述用户端本地的深度学习模型并返回第二模型参数；其中，所述第一模型参数包括隐私预算；S2、对所述第二模型参数进行参数平均化，得到第三模型参数，并将所述第三模型参数下发至所述用户端；S3、将步骤S1～S2的执行总次数作为模型训练轮次，并当所述模型训练轮次未达到预设阈值时重复执行步骤S1和步骤S2，反之结束模型训练。本发明能够保障数据隐私安全，并提高训练模型的精确度。
-
公开(公告)号：CN114048834B
公开(公告)日：2023-01-17
申请号：CN202111303694.2
申请日：2021-11-05
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种基于事后回顾和渐进式扩展的持续强化学习非完全信息博弈方法及装置，包括下述步骤：获取非完全博弈环境，确定任务目标；构建第一神经网络和基于未来值预测的强化学习方法；构建事后经验回顾池；对第一神经网络进行训练，直至第一神经网络收敛；构建渐进式神经网络，实现网络模型的渐进式扩展；选择下一个任务作为任务目标，利用基于未来值预测的强化学习方法持续训练，直至所有的任务都训练完成。本发明通过使用非完全信息博弈场景中丰富的智能体状态变化作为监督信号，解决该环境下的奖励稀疏问题，同时引入持续学习框架渐进式神经网络对未来值预测网络结构进行动态扩展，解决了在该环境下的多任务场景中的灾难性遗忘的问题。
-
公开(公告)号：CN110473135B
公开(公告)日：2022-12-27
申请号：CN201910701385.7
申请日：2019-07-31
Applicant: 哈尔滨工业大学(深圳)
IPC: G06T1/00
Abstract: 本发明公开了一种图像处理方法、系统、可读存储介质及智能设备，所述方法包括：获取一目标标记图像，通过对抗生成网络模型对所述目标标记图像进行干扰，以得到至少一干扰图像；通过收敛模型对所述干扰图像进行收敛，将收敛合格的干扰图像作为对抗样本，并将所述对抗样本覆盖于目标标记图像上；对进行对抗样本覆盖的目标标记图像进行图像识别，以得到错误标记图像，每个用户所得到的错误标记图片均不相同；根据所述错误标记图像与当前目标标记图像中目标区域的匹配度确定错误标记图像的目标标记图像。本发明能够解决现有水印易被识别和易被干扰这的问题，提高了用户图像隐私体验的满意度，满足了实际应用需求。
-
公开(公告)号：CN110404264B
公开(公告)日：2022-11-01
申请号：CN201910676407.9
申请日：2019-07-25
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种基于虚拟自我对局的多人非完备信息博弈策略求解方法、装置、系统及存储介质，该方法包括：针对二人博弈情况，使用多类别逻辑回归和蓄水池抽样实现了平均策略的生成，使用DQN和环形缓冲记忆实现了最优反应策略的生成；针对多人博弈情况，使用多智能体近端策略优化算法MAPPO实现最优反应策略，同时使用多智能体NFSP调节智能体的训练。本发明的有益效果是：本发明引入了虚拟自我对局的算法框架，将德州扑克策略优化过程分为最优反应策略学习和平均策略学习两个部分，并分别用模仿学习和深度强化学习来实现，设计出了更为通用的多智能体最优策略学习方法。
-
公开(公告)号：CN114844621A
公开(公告)日：2022-08-02
申请号：CN202210365746.7
申请日：2022-04-08
Applicant: 哈尔滨工业大学(深圳) , 暨南大学
Abstract: 本发明公开了一种基于多密钥全同态加密的多用户隐私保护机器学习方法及装置，方法包括：由公共字符串CRS进行多密钥全同态加密算法的初始化、生成安全参数λ及生成公共参数集mkparams；服务器S整合各个数据提供方上传的单密钥密文数据Encski(di)得到多密钥密文数据集Encsk(D)；服务器S在多密钥密文数据集Encsk(D)的基础上将普通机器学习算法中的线性运算替换为全同态加法和全同态乘法，对多密钥密文数据集Encsk(D)进行机器学习建模训练；服务器S将多密钥加密的模型密文Encsk(model)下发给各个数据提供方DPi和解密方DE；解密多密钥模型密文Encsk(model)，从而得到由各个数据提供方DPi的数据D训练得到的模型model＝Decsk(Encsk(model))。本发明在保证较高安全性的同时，以较低通信代价和较少交互次数完成隐私计算任务。
-
-
-
-
-
-
-
-
-
Search Results
157
records
(took 0.028 seconds)
