-
公开(公告)号：CN113746087A
公开(公告)日：2021-12-03
申请号：CN202110955115.6
申请日：2021-08-19
Applicant: 浙江大学 , 国网浙江省电力有限公司
IPC: H02J3/00 , G06F30/20 , G06F113/04
Abstract: 基于CTGAN的电网暂稳样本可控生成以及评估方法，首先，将电网数据处理为表格型数据，以母线、发电机、节点的属性值为特征；然后，使用拼接或相乘的方法将暂态稳定性和负荷水平等多个条件转换为一个独热编码作为控制生成的条件向量，并使用变分高斯混合模型对数据的连续值进行拟合和归一化处理，作为数据生成模型的输入；最后，搭建基于CTGAN的数据生成模型并进行训练，将训练得到的模型应用于电网暂稳样本可控生成任务；提出了从条件控制效果、合成数据与真实数据相似度、合成数据用于训练暂稳评估模型的效果这三个方面对电网数据生成模型进行有效评估的评估框架。本发明还包括基于CTGAN的电网暂稳样本可控生成以及评估系统。
-
公开(公告)号：CN110889797B
公开(公告)日：2021-06-08
申请号：CN201910976907.4
申请日：2019-10-15
Applicant: 浙江大学
Abstract: 基于对抗样本生成的深度自适应图像隐藏方法，包含如下几个步骤：首先，设计实验样本，确定需要隐藏的图(secret图)和将接受隐藏信息的图(cover图)；然后建立局部隐藏patch选择的SSD网络，找出cover图中最合适隐藏secret图的区域；之后，建立encode网络，secret图用对抗样本的方法，通过encode网络产生扰动，直接添加到cover图的选定区域产生藏有隐藏信息的container图；接着，建立decode网络，解出与secret图高度相似的revealed图；最后，训练和测试encode网络和decode网络，对每一组输入进行编码网络的更新，实现对于每组图像的个性化隐藏。通过以上三个主要步骤，本发明可以在保持编码得到很好的隐藏还原效果的同时，实现图像的自适应局部隐藏，提高图像隐藏的重建质量，拓展其实际应用范围。
-
公开(公告)号：CN112001939B
公开(公告)日：2021-03-16
申请号：CN202010794931.9
申请日：2020-08-10
Applicant: 浙江大学
Abstract: 基于边缘知识转化的图像前景分割算法，包括下列步骤：1)结合边缘自监督机制的图像分割框架构建；2)内边缘与外边缘判别器构建；3)伪分割三元组数据生成；4)基于目标类别极少量标注样本引导的双边缘对抗前景分割。通过上述步骤建立的基于边缘知识转化的图像前景分割算法，在极少量目标类别标注分割样本的引导下，内外边缘判别网络通过分割结果对抗的方式，将大量公开的非目标类别标注数据的边缘知识转化到目标类别图像的前景分割网络中，实现目标类别图像的前景物体分割。
-
公开(公告)号：CN112001939A
公开(公告)日：2020-11-27
申请号：CN202010794931.9
申请日：2020-08-10
Applicant: 浙江大学
Abstract: 基于边缘知识转化的图像前景分割算法，包括下列步骤：1)结合边缘自监督机制的图像分割框架构建；2)内边缘与外边缘判别器构建；3)伪分割三元组数据生成；4)基于目标类别极少量标注样本引导的双边缘对抗前景分割。通过上述步骤建立的基于边缘知识转化的图像前景分割算法，在极少量目标类别标注分割样本的引导下，内外边缘判别网络通过分割结果对抗的方式，将大量公开的非目标类别标注数据的边缘知识转化到目标类别图像的前景分割网络中，实现目标类别图像的前景物体分割。
-
公开(公告)号：CN109614967B
公开(公告)日：2020-07-17
申请号：CN201811176334.9
申请日：2018-10-10
Applicant: 浙江大学
Abstract: 一种基于负样本数据价值重采样的车牌检测方法，包括：1)收集包含车牌图片，将车牌区域切割出来作为正样本，在非车牌区域随机裁剪出图像块作为负样本，划分训练集，验证集和测试集；2)从训练集的负样本中随机选取与正样本数量相同的样本训练初始分类器，对训练集中全部的负样本进行预测，根据预测为负样本的概率值进行分组，并保证除最后一组外其余各组的样本量与正样本数量相同；3)对于每组负样本数据和正样本数据重新训练分类器，并在验证集上计算信息增益来度量每组负样本的数据价值；4)根据每组负样本的数据价值计算权重，从各组中重新随机采样构成新的负样本训练集，同正样本一起训练最终分类器，使用测试集评价其效果。
-
Patent Agency Ranking
公开(公告)号：CN111223483A
公开(公告)日：2020-06-02
申请号：CN201911258317.4
申请日：2019-12-10
Applicant: 浙江大学
Abstract: 一种基于多粒度知识蒸馏的唇语识别方法，包括如下步骤：1)获取音频特征序列；2)构建语音识别模型；3)训练语音识别模型；4)获取数据集语音特征和语音识别结果；5)获取唇部图像序列；6)构建唇语识别模型；7)获取数据集视频特征；8)唇语识别模型训练：9)获得唇语识别结果。本发明针对唇语识别问题中，视频特征歧义性更大的本质问题，提出了一种基于多粒度知识蒸馏的方法来增强唇语识别模型的训练。通过利用已经学习好的语音识别模型，从多个时间尺度、多个粒度，让唇语识别模型向语音识别模型学习，以增强其提取具有辨别性的视觉特征的能力，从而提高唇语识别准确率。
-
公开(公告)号：CN111160409A
公开(公告)日：2020-05-15
申请号：CN201911265852.2
申请日：2019-12-11
Applicant: 浙江大学
Abstract: 基于共同特征学习的异构神经网络知识重组方法，包括：获取预训练好的多个神经网络模型，称其为教师模型；利用教师模型输出的特征和输出的预测结果，通过一种共同特征学习和软目标蒸馏方法来指导学生模型的训练；在此共同特征学习过程中，通过将多个异构网络的特征投影到一个共同特征区间并使得学生模型集成众多教师模型的知识，而软目标蒸馏方法，使得学生模型的预测结果与教师模型的预测结果一致，从而得到一个具有所有教师模型的任务处理能力的更强大的学生模型。由于仅需模仿教师模型的预测结果，学生模型又可在没有任何人工标注的情况下训练得到。本发明适用于神经网络模型的知识重组，特别是异构图像分类任务模型的知识重组。
-
公开(公告)号：CN111091179A
公开(公告)日：2020-05-01
申请号：CN201911219544.6
申请日：2019-12-03
Applicant: 浙江大学
Abstract: 基于归因图的异构深度模型可迁移性度量方法,包含如下几个步骤：首先，从自然图片中随机采样建立探测数据集，该探测数据集要满足一定的数量以及多样性要求；然后，利用现有深度模型归因方法对模型库中的每一个训练好的模型计算该模型对探测数据集中的数据归因图；最后，将所有模型计算得到的归因图通过缩放、量化等形式变换到同一空间，将同一模型求得的所有归因图拼接起来构成一个度量空间，模型的迁移性度量通过归因图的相似性即该空间内点与点之间的距离来衡量。通过以上三个主要步骤，本发明可以实现异构深度神经网络快速高效的可迁移性度量。
-
公开(公告)号：CN106934835B
公开(公告)日：2020-03-03
申请号：CN201710022484.3
申请日：2017-01-12
Applicant: 浙江大学
Abstract: 基于空间网络用于纺织品喷墨印染的颜色色域映射方法包含如下几个步骤：首先，在RGB颜色空间利用RBF神经网络建立RGB与CMYK之间的样本对映射关系；然后，在RGB颜色空间建立颜色空间网络，网络以RGB整数点为顶点，每个顶点与其26个邻域点利用无向边连接，连接权重通过色差公式CIEDE2000计算；最后，对于印染机色域内颜色，一对一实现映射，对于印染机色域外颜色，利用新提出的多源最短路径算法实现印染机色域外颜色到印染机色域边缘颜色多对一映射。通过以上三个主要步骤，本发明可以实现色域内颜色精准映射的同时，保留图像的层次纹理信息，提升纺织品喷墨印染效果。
-
公开(公告)号：CN110569709A
公开(公告)日：2019-12-13
申请号：CN201910638381.9
申请日：2019-07-16
Applicant: 浙江大学
Abstract: 基于知识重组的场景解析方法，包含以下步骤：首先初始化学徒网络，使其和教师网络有相同的网络结构；然后利用教师网络上关于场景图像中分割和深度估计的知识逐层训练学徒网络；接着确定分割，深度估计在训练完毕的学徒网络上的分流点；最后从分流点处连接上学徒网络和教师网络，并针对图像分割和深度估计的单个任务进行网络微调。通过上述步骤，本发明可以充分利用教师网络的知识并且训练出在所有室内场景解析任务中的性能都能超越教师的多任务学徒网络。
-
-
-
-
-
-
-
-
-
Search Results
178
records
(took 0.047 seconds)
