-
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：CN110113098B
公开(公告)日：2020-10-02
申请号：CN201910389534.0
申请日：2019-05-10
Applicant: 哈尔滨工业大学(深圳) , 哈尔滨工业大学
IPC: H04B10/079 , H04L12/26 , H04B10/70 , H04L9/08
Abstract: 一种面向量子密钥分发系统的误码估计方法及装置，在保证误码估计精度的前提下减少暴露误码估计环节信息量，本发明根据量子比特误码率e，计算误码估计校验块的最优块长L：其中，表示求整数，α表示修正因子；再根据计算的最优块长选择校验块参与奇偶校验位误码估计：如果则从个校验块中随机抽取个进行奇偶校验位误码估计；如果则个校验块全部参与奇偶校验位误码估计；η表示暴露信息比，N表示误码估计数据总长度。
-
公开(公告)号：CN110874488A
公开(公告)日：2020-03-10
申请号：CN201911121760.7
申请日：2019-11-15
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F21/62
Abstract: 本发明提供了一种基于混合差分隐私的流数据频数统计方法、装置、系统及存储介质，该流数据频数统计方法包括：创建候选列表步骤：针对用户集合S，在保证差分隐私的前提下，近似地获得出现频数最多的记录；收集数据步骤：用户在本地实现差分隐私算法，将隐私化数据传送到服务器端；隐私预算分配步骤：将连续序列分为个时间戳，在其分配隐私预算，根据时间，分配的隐私预算递减。本发明的有益效果是：本发明采用差分隐私和本地差分隐私结合的方式，能够从数据收集和数据分析层面实现对数据的高效保护，且能提高流数据实时发布速率。
-
公开(公告)号：CN109872267A
公开(公告)日：2019-06-11
申请号：CN201910122858.8
申请日：2019-02-19
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种鲁棒性的基于分组的数字水印方法，包括以下步骤：S1、水印预处理阶段，基于无监督学习方法的数据集分组，完成数据预处理和水印预处理；S2、水印嵌入阶段，将水印嵌入到数据库中的特定位置；S3、水印提取阶段，将水印从数据库中提取出来。本发明的有益效果是：提供了一种鲁棒性的基于分组的数字水印方法，在遇到数据结构攻击时，可以防止水印失效。
-
Patent Agency Ranking
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：CN106296006A
公开(公告)日：2017-01-04
申请号：CN201610658485.2
申请日：2016-08-10
Applicant: 哈尔滨工业大学深圳研究生院
IPC: G06Q10/06
CPC classification number: G06Q10/0635 , G06Q10/0637
Abstract: 本发明提供了非完备信息博弈中风险与收益均衡的最少遗憾的评估方法，包括如下步骤：步骤1：针对每个信息集，初始化其策略、估值和每个动作的遗憾值；步骤2：使用当前的策略进行博弈，直至完成本次博弈；步骤3：在本次博弈所访问到的每个信息集上计算估值及每个动作的遗憾值；步骤4：根据遗憾匹配算法计算出新的策略；步骤5：计算新策略的风险值并综合考虑收益与风险的关系，挑选下一轮博弈中要使用的策略；步骤6：返回步骤2，直至博弈过程终止。本发明设计了一种利用经济学中风险的概念，并研究风险模型的原理，结合最少遗憾算法，应用在非完备信息机器博弈中。在利用最少遗憾算法收益占优策略的同时，兼顾策略的风险，达到更为合理的纳什均衡。
-
公开(公告)号：CN116383488A
公开(公告)日：2023-07-04
申请号：CN202310260656.6
申请日：2023-03-10
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F16/9535 , G06F17/16 , G06N20/20 , G06F21/62
Abstract: 本发明公开了一种基于本地差分隐私的以用户为中心的推荐方法及系统，所述方法包括：云服务器生成项目矩阵，并将所述项目矩阵发送给客户端；所述客户端根据本地评分数据集生成用户矩阵和用户平均评级向量，然后获取第一梯度、第二梯度和第三梯度并对所述第二梯度进行差分隐私处理，得到目标梯度；所述云服务器根据所述目标梯度更新所述项目矩阵；所述客户端获取更新后的所述项目矩阵并重新执行获取第一梯度、第二梯度和第三梯度的步骤，直至满足目标收敛条件。本发明提出的基于本地差分隐私的以用户为中心的推荐方法，通过将用户平均评分数据引入矩阵分解模型中，使得评分预测更加准确，实现了以用户为中心的推荐方法。
-
公开(公告)号：CN115767108A
公开(公告)日：2023-03-07
申请号：CN202211285499.6
申请日：2022-10-20
Applicant: 哈尔滨工业大学(深圳)
IPC: H04N19/91 , H04N19/147 , H04N19/124
Abstract: 本发明公开了一种基于特征域匹配的分布式图像压缩方法、系统，所述方法包括：获取主图像量化采样信号，并将所述主图像量化采样信号通过单一深度解码器处理获得初步重构图像和解码主信息特征；再使用单一深度图像压缩模型获得边信息图像的无损边信息特征和解码边信息特征；接着对解码主信息特征和解码边信息特征进行相关性匹配，并选取无损边信息特征进行特征域相关块对齐操作获得匹配特征；最后使用特征融合网络对初步重构图像和匹配特征进行迭代融合获得最终重构图像。本实施例通过基于特征域多尺度块匹配方法取得更好的率失真表现。
-
公开(公告)号：CN115632761A
公开(公告)日：2023-01-20
申请号：CN202211038350.8
申请日：2022-08-29
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种基于秘密共享的多用户分布式隐私保护回归方法及装置，方法包括下述步骤：数据提供方C1，C2，...，Cn分别将各自的隐私数据(x1，y1)，(x2，y2)，...，(xn，yn)通过加性算术秘密共享分发给第一服务器S0和第二服务器S1，得到数据特征的秘密份额和数据标签的秘密份额；第一服务器S0和第二服务器S1基于获得的数据特征的秘密份额和数据标签的秘密份额进行安全两方计算；第一服务器S0和第二服务器S1分别将各自的模型参数的秘密份额 0和 1发送给数据使用方，然后数据使用方在本地重构出完整的模型参数w＝ 0+ 1。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模型训练任务。
-
-
-
-
-
-
-
-
-
Search Results
138
records
(took 0.075 seconds)
