-
公开(公告)号：CN114332945A
公开(公告)日：2022-04-12
申请号：CN202111670708.4
申请日：2021-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种可用性一致的差分隐私人体匿名合成方法。本发明特征在于将源人体数据集通过委派人体数据集与可用性保持姿势转换网络得到匿名人体数据集；具体步骤：步骤1：预处理；步骤2：分配委派身份；步骤3：构建可用性保持姿势转换网络；步骤4：训练约束；步骤5：模型训练及测试。本发明可以生成新的匿名人体图像，避免隐私数据被收集以及滥用，而且匿名图像可以保持原始数据的可用性。此外，本发明可以在不同的隐私级别下生成自然的图像，并保持人体隐私以及数据可用性。
-
公开(公告)号：CN113592023A
公开(公告)日：2021-11-02
申请号：CN202110918765.3
申请日：2021-08-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度模型框架的高效细粒度图像分类模型。本发明创新地将数据增强方法与知识蒸馏技术相结合，设计交叉集成知识蒸馏(CEKD)模型，以在线方式动态生成软目标；整个交叉集成知识蒸馏模型包括教师网络和学生网络，且教师和学生网络采用同一骨干网络；针对数据增强中存在的噪声干扰问题，提出交叉蒸馏模块(CD)来重建网络的输入路径以获得额外的监督信息；同时针对目标冲突问题，提出协同集成模块(CE)来动态集成和优化所有最终的输出值；最后结合交叉蒸馏模块和协同集成模块，全面捕捉图片的判别性区域并提高CEKD模型的鲁棒性。本发明在细粒度数据集上的大量实验证明了CEKD模型性能的优越性。
-
公开(公告)号：CN114549757B
公开(公告)日：2025-03-11
申请号：CN202210172212.2
申请日：2022-02-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于注意力机制的三维点云上采样方法，包括以下步骤：步骤1：三维点云数据预处理；步骤2：构建基于注意力机制的三维点云上采样网络结构；步骤3：建立目标点云和输出点云之间的损失函数；步骤4：采用公开数据集进行训练及测试，输出最终结果。本方法提出了基于注意力机制的三维点云上采样网络，进一步加强了对局部特征和邻域关系的学习，并加入残差结构以优化信息传递过程，提高了三维点云上采样的准确率，降低了目标点云与上采样所得点云之间的损失。通过实验结果显然证实了所提出方法的高效性与实用性，本发明方法对三维点云上采样更高效和准确。
-
公开(公告)号：CN119398865A
公开(公告)日：2025-02-07
申请号：CN202411443269.7
申请日：2024-10-16
Applicant: 杭州电子科技大学
IPC: G06Q30/0601 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于时序增强扩散模型的视频虚拟试衣方法，该方法首先基于时尚数据集，构建时尚视频序列、姿态序列、语义序列和深度序列数据组。其次通过使用形变网络将服装依据姿态序列和深度序列逐帧映射到对应形变空间，得到形变服装序列作为扩散网络的指导条件。然后以生成时尚试穿视频为目标，在标准稳定扩散模型的基础上构建时序增强网络以及人体特征注入模块，将形变服装序列与时尚视频序列合成得到虚拟试衣视频序列。最后分别使用扩散损失和感知损失，通过反向传播算法对时序增强网络和人物特征注入模块中的模型参数进行训练。本发明提高用户的使用体验，推动虚拟试穿技术在电商和时尚行业的应用和发展。
-
公开(公告)号：CN117333604A
公开(公告)日：2024-01-02
申请号：CN202311372550.1
申请日：2023-10-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于语义感知神经辐射场的人物面部重演方法，包括如下步骤：步骤(1)收集任务的数据，并对数据进行预处理，进而构建数据集；步骤(2)构建基于语义感知的神经辐射场网络模型，步骤(3)利用反向传播算法的基于语义感知的神经辐射场网络模型的参数进行训练，直至整个模型收敛，所述参数的训练是在最小化光度损失和语义损失下，利用预处理后的数据集训练；步骤(4)应用完成训练后的基于语义感知的神经辐射场网络模型生成对应的人脸图像。该方法将表情和姿态参数作为语义感知神经辐射场的输入，精准地控制人物重演图像的生成。经过在NeRFace数据集上的实验验证，取得了出色的定量和定性结果。
-
Patent Agency Ranking
公开(公告)号：CN111209879B
公开(公告)日：2023-09-19
申请号：CN202010029065.4
申请日：2020-01-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度圈视图的无监督3D物体识别与检索方法。本发明包括如下步骤：步骤1、多圈数据采样；步骤2、训练基于圈数据的多视图深度网络模型；步骤3、相似性匹配与检索；利用训练好的多视图深度网络模型提取各圈视图的特征，并对所有圈视图进行相似性距离计算；通过采用最大池化、均值池化、注意力池化以及最优匹配的方式优化多视图深度网络模型；基于相似性距离，进行排序检索；步骤4、采取圈特征过滤和圈注意力策略滤除重要性低于指定阈值的圈特征，从而在保证识别精度的同时有效减少计算量。本发明提出了新的二维视图采集渲染方式并用其进行无监督训练，在不采用任何人工标注的情况下依然获得了可观的检索精度。
-
公开(公告)号：CN114169002A
公开(公告)日：2022-03-11
申请号：CN202111485366.9
申请日：2021-12-07
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种关键点差分隐私驱动的人脸图像隐私保护方法，首先进行数据预处理，构建关键点标识匿名空间；然后构建匿名人脸生成对抗网络结构，确定匿名人脸生成对抗网络优化目标函数；获得改进后的应用于匿名人脸关键点标识的差分隐私算法；最后通过预处理后的数据集，对匿名人脸生成对抗网络进行训练，输出最终结果。本方法对图像中人脸的面部关键点结构进行修改实现人脸身份匿名，取得了更好的数据可用性和视觉效果，在生成图像质量上更高，能够保持原本的非身份属性，且不需要使用任何属性标签。
-
公开(公告)号：CN113159163A
公开(公告)日：2021-07-23
申请号：CN202110418526.1
申请日：2021-04-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多元时序数据分析的轻量级无监督异常检测方法。本发明包括两种模型：检测模型和推断模型；检测模型先通过随机卷积神经网络对捕捉到的多元时序数据的提取时间依赖性特征，进而利用深度贝叶斯网络对提取特征后的多元时序数据进行编解码，检测模型能够确定检测精准度范围；推断模型由得分注意力单元、阈值自动选择单元和点调整单元组成，得分注意力单元采用注意力机制扩大异常数据与正常数据之间的特征差异并为异常解释提供了理论基础，阈值自动选择单元能够自动计算阈值，点调整单元能够模拟真实异常的产生过程，推断模型能够提高异常检测的精准度、稳定性和可解释性。本发明能够应对飞速增长的数据规模和复杂多变的异常种类。
-
公开(公告)号：CN117236295B
公开(公告)日：2024-12-31
申请号：CN202311197701.4
申请日：2023-09-15
IPC: G06F40/166 , G06F40/126 , G06F40/30 , G06N3/042
Abstract: 本发明公开了一种基于图神经网络的机器生成稿件可解释评价方法及系统，该方法包括：获取机器生成的多模态新闻稿件，对多模态新闻稿件内容进行编码，获取新闻稿件整体编码向量和新闻稿件要素编码向量；将新闻稿件整体编码向量和新闻稿件要素编码向量输入层次化图神经网络中，构建新闻稿件异构图，通过基于多层级注意力机制的新闻稿件异构图卷积，更新新闻稿件整体编码向量和新闻稿件要素编码向量，将更新后的编码向量拼接为新闻稿件表示矩阵，通过全连接层输出可解释评价标签预测结果。本发明设计多个可解释评价标签，并利用图神经网络聚合新闻稿件内容及评价信息，对稿件质量进行多层级、细粒度的评价，给出多模新闻稿件的可解释评价标签。
-
公开(公告)号：CN114549901B
公开(公告)日：2024-05-14
申请号：CN202210172188.2
申请日：2022-02-24
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0475 , G06N3/0464 , G06N3/084 , G06N3/096
Abstract: 本发明公开了一种多网络联合辅助生成式知识蒸馏方法，首先进行图像分类数据集预处理；然后根据确定的图像分类数据集选择教师网络模型并训练；再根据确定的图像分类数据集选择困难样本生成器G1和学生网络，组成对抗知识蒸馏框架；建立生成对抗知识蒸馏的目标函数；对组建好的对抗知识蒸馏框架进行迭代训练；最后引入简单样本生成器G2，使用困难样本生成器G1和简单样本生成器G2交替调整学生网络，得最终结果。本发明额外引入了一个简单样本生成器，并且简单样本生成器直接复制训练好的困难样本生成器，并没有增加计算量，而且操作简单。在简单样本生成器帮助学生网络回顾简单样本的情况下，最终在目标任务上取得了更好的效果。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.019 seconds)
