-
公开(公告)号：CN110909793A
公开(公告)日：2020-03-24
申请号：CN201911147579.3
申请日：2019-11-21
Applicant: 华中科技大学 , 深圳华中科技大学研究院
Abstract: 本发明公开了一种基于FPGA实现的决策森林系统及决策森林推理方法，属于机器学习领域。本发明基于路径回溯模块与分类模块的架构在FPGA上实现决策树，有利于将训练好的决策树MATLAB代码自动转换成Verilog代码，而不需要人为在EDA工具中手动实现大量决策树。采用自顶向下的设计结构，将每棵决策树都作为一个子模块并行运行，快速部署的同时保证精度，且消耗的硬件资源更少。基于流水线技术在FPGA上实现多数投票法，在顶层模块中调用决策树子模块并对子模块的结果进行统一处理，从而提高推理速度。通过异步FIFO模块跨时钟域传输数据，使其应用更广泛。本发明所提供的推理实现方法原则上适用于通过任意训练算法生成的决策树。
-
公开(公告)号：CN110909793B
公开(公告)日：2022-05-31
申请号：CN201911147579.3
申请日：2019-11-21
Applicant: 华中科技大学 , 深圳华中科技大学研究院
Abstract: 本发明公开了一种基于FPGA实现的决策森林系统及决策森林推理方法，属于机器学习领域。本发明基于路径回溯模块与分类模块的架构在FPGA上实现决策树，有利于将训练好的决策树MATLAB代码自动转换成Verilog代码，而不需要人为在EDA工具中手动实现大量决策树。采用自顶向下的设计结构，将每棵决策树都作为一个子模块并行运行，快速部署的同时保证精度，且消耗的硬件资源更少。基于流水线技术在FPGA上实现多数投票法，在顶层模块中调用决策树子模块并对子模块的结果进行统一处理，从而提高推理速度。通过异步FIFO模块跨时钟域传输数据，使其应用更广泛。本发明所提供的推理实现方法原则上适用于通过任意训练算法生成的决策树。
-
公开(公告)号：CN119540712A
公开(公告)日：2025-02-28
申请号：CN202411468987.X
申请日：2024-10-21
Applicant: 华中科技大学
IPC: G06V10/82 , G06V10/774 , G06V10/776 , G06N3/094 , G06N3/045 , G06N3/0475 , G01S7/41 , G01S13/90
Abstract: 本发明属于合成孔径雷达自动目标识别安全技术领域，公开了一种SAR图像的对抗样本生成方法及应用，方法包括：通过结合当前数据点的梯度和累积动量生成一个更稳定的梯度预测前瞻方向，以减轻相干斑噪声的影响；然后，对数据点周围进行有效采样，并根据其置信度分数调整其权重，以减少采样数据点语义不一致的负面影响并进一步稳定梯度更新；本发明考虑到SAR图像由于存在相干噪声容易造成梯度计算过程中梯度方向改变过大的问题，通过结合当前数据点梯度和累积动量稳定梯度预测方向，并通过置信度采样周围数据点达到更稳定的对抗样本更新方向，可以很好的贴合SAR数据特点，从而在现实黑盒场景下生成质量较高的对抗样本。
-
公开(公告)号：CN117591884A
公开(公告)日：2024-02-23
申请号：CN202311670097.2
申请日：2023-12-07
Applicant: 华中科技大学
IPC: G06F18/214 , G06F18/2413 , G06F18/25
Abstract: 本发明公开了视觉语言多模态对抗样本生成方法及其应用，属于视觉语言多模态分类领域，包括：获得目标视觉语言多模态分类任务的训练样本，将其中的图像划分为多个图像块，并将其中的文本划分为多个单词，将图像块和单词作为扰动对象；将训练样本输入目标视觉语言多模态分类任务的分类模型，得到原始预测输出；对于每一个扰动对象，将其从训练样本中遮盖后输入分类模型，得到新的预测输出后，计算相对于原始预测输出的变化幅度并归一化，作为该扰动对象的重要性；按照重要性由大到小的顺序依次选取训练样本中的扰动对象并替换为其他对象，直至替换后，将替换所得训练样本输入分类模型后产生错误的分类结果；将当前的训练样本作为一个对抗样本。
-
Patent Agency Ranking
公开(公告)号：CN117636097A
公开(公告)日：2024-03-01
申请号：CN202311680820.5
申请日：2023-12-08
Applicant: 华中科技大学
IPC: G06V10/774 , G06V10/776 , G06V10/82 , G06N3/094 , G06N3/045 , G06N3/0475 , G06F21/57
Abstract: 本发明公开了一种SAR图像的对抗样本生成方法及应用，属于合成孔径雷达自动目标识别安全技术领域；本发明提出了老师对抗样本及学生对抗样本的概念，首先采用基于梯度的迭代攻击方法对老师对抗样本及老师对抗样本的梯度向量进行交替更新，获取最后一次更新所得的老师对抗样本的梯度向量，然后在后续的迭代过程中指导学生对抗样本梯度向量的更新；本发明考虑到SAR图像由于存在相干噪声容易造成梯度计算过程中梯度方向改变过大的问题，通过使用老师对抗样本的梯度信息，将其融合进学生对抗样本的生成过程中，能够很好的贴合SAR数据特点，从而在现实黑盒场景下生成质量较高的对抗样本。
-
公开(公告)号：CN117710770A
公开(公告)日：2024-03-15
申请号：CN202311738334.4
申请日：2023-12-18
Applicant: 华中科技大学
IPC: G06V10/774 , G06V10/70 , G06V10/776 , G06V10/82 , G06N3/094 , G06N3/045 , G06N3/0475 , G06N20/20 , G06F21/57
Abstract: 本发明公开了一种SAR图像的对抗样本生成方法及应用，属于合成孔径雷达自动目标识别安全技术领域；本发明在使用整体集成梯度平均值#imgabs0#的基础上，通过多次随机选择集成模型中的部分模型，并计算它们对内外循环中生成临时对抗样本梯度的差异，从而修正外循环集成梯度，使其更新方向更加准确，能够在现实黑盒场景下生成质量较高的对抗样本，进而能够在黑盒攻击中提高攻击的成功率，进而影响了安全性检测的准确性，除此之外，还能用于对深度学习模型进行加固，比如在训练模型的过程中，通过在数据集中加入所生成的对抗样本可以进一步构建鲁棒性更好的模型，进而能够有效防御对抗样本的攻击。
-
公开(公告)号：CN118298418A
公开(公告)日：2024-07-05
申请号：CN202410475740.4
申请日：2024-04-19
Applicant: 华中科技大学
Abstract: 本发明公开了一种三维目标检测方法、装置、电子设备和存储介质，属于图像识别技术领域，所述三维目标检测方法利用查询矩阵块、键矩阵块和值矩阵块以及三维查询矩阵、三维键矩阵和三维值矩阵各自的量化缩放系数计算各个查询向量的注意力机制输出，进而获取各个查询向量之间的序列关系；利用具有序列关系的查询向量对当前帧鸟瞰特征图进行采样，得到采样区域的特征向量，进而确定目标检测框实现三维目标检测。本申请在计算每个查询向量的注意力机制输出过程中对神经网络迭代数据进行整数量化，可以大幅降低计算成本，最终提升整个三维目标检测方法的计算速率，由此解决三维目标检测模型计算复杂度低的技术问题。
-
公开(公告)号：CN110750732B
公开(公告)日：2022-10-14
申请号：CN201910948068.5
申请日：2019-09-30
Applicant: 华中科技大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了基于团扩张和二次优化的社交网络全局重叠社团检测方法，属于复杂网络重叠社团检测领域。包括：将社交网络转化为社交关系图；从社交关系图找出所有极大团；将每个极大团作为种子进行扩张采样，得到覆盖极大团及其邻近节点的采样子图；对每个采样子图，使用二次优化求解方法，得到采样子图的归属程度向量；根据每个采样子图的归属程度向量和采样子图的节点子集的电导，从采样子图中抽取出一个社团；所有社团的集合作为社交网络全局重叠社团检测结果。本发明将每个极大团作为种子进行扩张采样，使得基于采样子图生成的社团具有重叠性。本发明用二次优化表征Cheeger分割最小化，将约束放缩为线性来近似求解，有效降低时间复杂度。
-
公开(公告)号：CN110750732A
公开(公告)日：2020-02-04
申请号：CN201910948068.5
申请日：2019-09-30
Applicant: 华中科技大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了基于团扩张和二次优化的社交网络全局重叠社团检测方法，属于复杂网络重叠社团检测领域。包括：将社交网络转化为社交关系图；从社交关系图找出所有极大团；将每个极大团作为种子进行扩张采样，得到覆盖极大团及其邻近节点的采样子图；对每个采样子图，使用二次优化求解方法，得到采样子图的归属程度向量；根据每个采样子图的归属程度向量和采样子图的节点子集的电导，从采样子图中抽取出一个社团；所有社团的集合作为社交网络全局重叠社团检测结果。本发明将每个极大团作为种子进行扩张采样，使得基于采样子图生成的社团具有重叠性。本发明用二次优化表征Cheeger分割最小化，将约束放缩为线性来近似求解，有效降低时间复杂度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
