-
公开(公告)号：CN101765095B
公开(公告)日：2013-03-13
申请号：CN200910155053.X
申请日：2009-12-14
Applicant: 浙江大学
CPC classification number: Y02D70/10
Abstract: 本发明公开了一种基于混合簇的无线传感器网络移动目标跟踪方法。传感器网络划分为不交叠的静态簇集合，依据节点间相对位置判断各静态簇的边界节点及边界区域；当目标进入网络并不被任何边界节点检测到时，静态簇负责移动目标跟踪；当目标移向边界区域并被边界节点检测到时，实时触发一个新的动态簇来管理目标的准确定位与动态跟踪，随着目标移动，新的实时动态簇将被不断触发并配合静态簇实现移动目标动态实时监控。与传统移动目标跟踪方法不同，本发明提出基于边界节点检测方式，将按需触发的强实时动态簇融入静态簇网络中构成混合簇结构，有效解决了静态簇网络中目标跟踪边界问题，具有目标丢失率低，能量消耗低，可扩展性强的优点。
-
公开(公告)号：CN101765095A
公开(公告)日：2010-06-30
申请号：CN200910155053.X
申请日：2009-12-14
Applicant: 浙江大学
CPC classification number: Y02D70/10
Abstract: 本发明公开了一种基于混合簇的无线传感器网络移动目标跟踪方法。传感器网络划分为不交叠的静态簇集合，依据节点间相对位置判断各静态簇的边界节点及边界区域；当目标进入网络并不被任何边界节点检测到时，静态簇负责移动目标跟踪；当目标移向边界区域并被边界节点检测到时，实时触发一个新的动态簇来管理目标的准确定位与动态跟踪，随着目标移动，新的实时动态簇将被不断触发并配合静态簇实现移动目标动态实时监控。与传统移动目标跟踪方法不同，本发明提出基于边界节点检测方式，将按需触发的强实时动态簇融入静态簇网络中构成混合簇结构，有效解决了静态簇网络中目标跟踪边界问题，具有目标丢失率低，能量消耗低，可扩展性强的优点。
-
公开(公告)号：CN119821413A
公开(公告)日：2025-04-15
申请号：CN202411975227.8
申请日：2024-12-31
Applicant: 浙江大学 , 杭州高新区(滨江)区块链与数据安全研究院
IPC: B60W40/09 , B60R16/023
Abstract: 本发明公开了一种面向CAN总线的驾驶行为分析方法，通过对数据流进行报文解析、数据清洗和缓存存储，构建稳定可靠的原始数据采集链路，为后续特征提取奠定数据基础，对数据采集链路进行优化，规范化的数据解析和清洗流程，提高原始数据质量，缓存存储机制降低数据丢失风险，增强系统稳定性；实现数据的降维和标准化，对时域、频域和统计特征的综合分析提供更全面的行为表征，归一化处理消除量纲影响，提高特征可比性，降维处理减少冗余信息，优化计算效率，引入自注意力机制对提取的时空特征进行动态权重分配增强模型对复杂行为的适应性，提升模型识别准确率，提高实时性能确保方法能实时处理持续输入的CAN数据流，并输出准确的行为识别结果。
-
公开(公告)号：CN119299238A
公开(公告)日：2025-01-10
申请号：CN202411829160.7
申请日：2024-12-12
Applicant: 浙江大学 , 杭州高新区(滨江)区块链与数据安全研究院
IPC: H04L9/40 , H04L43/024 , H04L43/04 , H04L12/40 , G06F18/23213 , G06F18/20 , G06F18/214 , G06F18/2131
Abstract: 本发明属公开了一种基于在线连续学习的网络流量异常检测方法，采用在线连续学习方式搭载基于小波变换的MLP神经网络对网络流量进行异常检测，具有持续自适应的智能检测能力，高效的系统性能，优异的检测效果，强大的实用性，解决了传统方法中模型遗忘问题，平衡了实时性和准确性，降低了资源消耗，提高了系统可扩展性，设置一个基于时间序列分析理论和小波变换的网络流量的重构模型，在显著提高计算效率的同时保持了对突发异常的高度敏感性。使用Haar小波对网络流量进行离散小波变换后仅采用单层MLP网络学习网络流量模式，这种轻量级的设计大大降低了资源占用，使系统能够灵活部署于各类网络设备，有效支持大规模网络环境下的异常检测任务。
-
公开(公告)号：CN117933322A
公开(公告)日：2024-04-26
申请号：CN202311835375.5
申请日：2023-12-28
Applicant: 浙江大学杭州国际科创中心
IPC: G06N3/0499 , G06N3/096 , G06F18/23213 , G06F18/241
Abstract: 本发明公开一种基于网络补丁的神经网络遗忘学习方法，包括：S1、获取原始模型的原始数据集，并通过随机采样构建对应的遗忘数据集；S2、基于所述遗忘数据构建对应的补丁网络；S3、基于所述补丁网络与所述原始模型，合成对应的遗忘模型；S4、将多个中心数据点输入至原始模型和遗忘模型中，以获取相似数据点集；S5、以所述相似数据点集替换为新的遗忘数据集，以S3构建获得的遗忘模型作为下一轮的原始模型；S6、重复S2至S5，直至S4中的相似数据点集为空集，以获得与原始模型性能一致的替换模型。本发明还提供了一种神经网络遗忘学习装置。本发明提供的方法能减轻剩余数据对模型性能的影响，以满足数据持有者和模型所有者的需求。
-
Patent Agency Ranking
公开(公告)号：CN116778544B
公开(公告)日：2024-04-16
申请号：CN202310212400.8
申请日：2023-03-07
Applicant: 浙江大学
IPC: G06V40/16 , G06V40/50 , G06V10/774 , G06V10/82 , G06V10/94
Abstract: 本发明公开了一种面向人脸识别隐私保护的对抗性特征生成方法，建立了一个影子模型，以获取从面部特征到图像的映射函数，通过解决约束优化问题生成对抗性潜在噪声来破坏映射，并由此提出了一种保护隐私的对抗性特征，其在面对未知结构的攻击网络时能保持优异的防御性能，可以在保持人脸识别准确性的同时抵御未知重构攻击，有效保护人脸隐私安全，本发明实用性高，不需要更改已部署的人脸识别模型，可以作为隐私增强模块快速集成到现有人脸识别系统中，使其满足保护人脸隐私的需求；也可以选择性优化身份识别网络，以满足更高识别精度的要求。
-
公开(公告)号：CN117313869B
公开(公告)日：2024-04-05
申请号：CN202311418709.9
申请日：2023-10-30
Applicant: 浙江大学
IPC: G06N5/04 , G06F21/62 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于模型分割的大模型隐私保护推理方法，属于计算机人工智能和大模型安全技术领域。通过模型分割：将原始大模型的Encoder和Decoder部署在客户端，大模型的中间部分留在服务端本地；模型压缩：通过服务器端将中间层压缩后发送至客户端，并在客户端组成一个具有原始大模型基本功能的小模型；模型微调：客户端通过损失函数微调模型；模型推理：客户端将训练好的Encoder按协议发送至服务器端，推理得到中间结果，再与本地服务器端的Decoder结合完成训练。本发明兼顾了模型性能和隐私保护，有效的防范了重建攻击，且对于模型的效果没有负面影响；同时防止了大模型的模型隐私泄露和用户的数据泄露，计算效率高，在客户端不需要大量的计算资源。
-
公开(公告)号：CN117077761A
公开(公告)日：2023-11-17
申请号：CN202310951789.8
申请日：2023-07-31
Applicant: 浙江大学
IPC: G06N3/0895 , G06N3/094 , G06N3/10
Abstract: 本发明公开了一种基于反事实对比的深度神经网络模型可视化解释方法及系统，提出的基于反事实的深度神经网络模型可视化解释方法可以实现对无目标因果问题和有目标因果问题的解释，对有目标因果问题的解释实现了对对抗样本现象的可视化解释，提出了针对不同因果问题的反事实样本生成算法以生成特定的反事实图像，拓展了深度神经网络模型的可视化解释范围，对待解释图像添加强度一致的高斯噪声消除反事实扰动的影响，通过比较扰动噪声图像和反事实图像在深度神经网络模型的内部加权特征图的差异，解耦出对模型决策类别影响强烈的区域，实现了对深度神经网络模型的可视化解释。
-
公开(公告)号：CN117238015B
公开(公告)日：2024-08-02
申请号：CN202311084045.7
申请日：2023-08-28
Applicant: 浙江大学
IPC: G06V40/16 , G06V10/774 , G06V10/80
Abstract: 本发明公开了一种基于生成模型的深度伪造检测方法，能够根据不同类型伪造数据的检测模型知识，有效捕捉通用伪造表征，并利用条件生成模型作为不同检测模型知识间的门限函数，高效地捕捉伪造痕迹，减少模型训练量，提高伪造检测模型的可扩展性，从而提升深度伪造检测模型的通用性。按照伪造算法的类型划分数据集，提高训练专家模型的精度，并利用生成模型高效地学习多种伪造算法的伪造特征，缩小了检测模型表征和视觉伪造痕迹之间的差异，提高深度伪造检测模型的通用性，采用生成模型融合多组伪造检测模型表征，提高了表征融合的效率，方法仅使用一层线性层融合，大大降低了模型的训练参数量，降低了训练通用深度伪造模型的训练开销。
-
公开(公告)号：CN117763523B
公开(公告)日：2024-07-02
申请号：CN202311655949.0
申请日：2023-12-05
Applicant: 浙江大学
IPC: G06F21/32 , G06V40/16 , G06V10/774
Abstract: 本发明公开了一种抗梯度下降的隐私保护人脸识别方法，既相较于现有的人脸隐私保护工作无法同时保证人脸识别任务的精度和不能对人脸重构攻击的有效防御的缺陷，本发明建立一种轻量级的保护隐私的人脸识别系统，通过频域从人脸图像中去除对人脸识别不重要的视觉信息，并在特征空间中生成进一步混淆的抗梯度下降特征，以抵抗基于深度学习的重建攻击中的梯度下降，可以在保持人脸识别准确性的同时抵御未知重构攻击，有效保护人脸隐私安全。本发明隐私保护能力比现有的隐私保护方法提高了90％左右，另外完成人脸识别的时间开销和没有隐私防护功能的人脸识别系统相当，存储抗梯度下降特征的存储成本比没有隐私保护功能的人脸识别系统降低了33％。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.051 seconds)
