-
公开(公告)号：CN113344119B
公开(公告)日：2024-07-12
申请号：CN202110718610.5
申请日：2021-06-28
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
IPC: G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V20/52
Abstract: 本发明是一种工业物联网复杂环境下的小样本烟雾监测方法，该监测方法利用两条并行分支实现烟雾检测，具体包括如下步骤：S1、第一条分支利用条件生成对抗网络生成数据集，将生成的数据集输入卷积神经网络中进行训练，将参数固定；S2、第二条分支采用迁移学习方法对源域图片和目标域的图片传入卷积神经网络进行训练，S3、将步骤S1和S2得到的概率进行加权得到新的概率，概率最高的标签即为所属类别，从而实现小样本下的烟雾检测。本发明结合了生成对抗网络和迁移学习方法，前者通过扩充数据集来解决小样本的问题，后者通过迁移学习来解决，二者结合，使得该模型即使在只有少量样本的情况下也能很好地在有雪环境下对烟雾进行监控。
-
公开(公告)号：CN113344119A
公开(公告)日：2021-09-03
申请号：CN202110718610.5
申请日：2021-06-28
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明是一种工业物联网复杂环境下的小样本烟雾监测方法，该监测方法利用两条并行分支实现烟雾检测，具体包括如下步骤：S1、第一条分支利用条件生成对抗网络生成数据集，将生成的数据集输入卷积神经网络中进行训练，将参数固定；S2、第二条分支采用迁移学习方法对源域图片和目标域的图片传入卷积神经网络进行训练，S3、将步骤S1和S2得到的概率进行加权得到新的概率，概率最高的标签即为所属类别，从而实现小样本下的烟雾检测。本发明结合了生成对抗网络和迁移学习方法，前者通过扩充数据集来解决小样本的问题，后者通过迁移学习来解决，二者结合，使得该模型即使在只有少量样本的情况下也能很好地在有雪环境下对烟雾进行监控。
-
公开(公告)号：CN113312105B
公开(公告)日：2023-05-02
申请号：CN202110619282.3
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
IPC: G06F9/445 , G06F9/50 , G06N20/00 , H04L67/1004 , H04L67/12
Abstract: 本发明是一种基于Q学习的车辆任务部分卸载策略方法，该方法应用在车载自组织网络中，方法步骤如下：对于移动车辆终端所请求的任务，进行任务分类，排除两种极端的任务类型，将时延极其敏感的任务直接进行本地卸载，将需要计算资源量大的任务全部卸载到MEC服务器进行计算。其次，对于剩下的不容易判断类型的业务，定义任务分类因子为βn，筛选出其中一部分时延不大敏感，计算资源量也一般的任务，对筛选出的任务进行基于Q学习的部分卸载。最后，当所有移动车辆用户终端所请求任务的卸载决策确定后，将对每个MEC服务器中的用户进行计算资源的分配。本发明的策略方法充分利用本地资源和服务器资源，降低系统总开销。
-
公开(公告)号：CN113296845B
公开(公告)日：2022-10-14
申请号：CN202110619280.4
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明公开一种边缘计算环境下基于深度强化学习的多小区任务卸载算法，提出了一种改进的双深度Q网络算法，并基于双深度Q网络算法进行任务卸载算法设计，并将MEC边缘控制平台作为智能体与车联网环境进行交互，旨在相同的资源下优化任务处理速率与任务执行时延，另外在复杂业务场景下，针对DQN算法中存在的过估计问题，对DQN算法中的Q值函数进行改进，提高模型选择最优卸载策略的能力，本方案可以显著的提高计算与存储资源的利用率、有效降低车辆终端的任务执行时延，大幅度提高边缘侧计算与存储资源的利用率，并且算法收敛效率高于传统的DQN算法，解决了任务的最佳卸载比例问题，能够更有效地降低任务的执行时延。
-
公开(公告)号：CN113312105A
公开(公告)日：2021-08-27
申请号：CN202110619282.3
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明是一种基于Q学习的车辆任务部分卸载策略方法，该方法应用在车载自组织网络中，方法步骤如下：对于移动车辆终端所请求的任务，进行任务分类，排除两种极端的任务类型，将时延极其敏感的任务直接进行本地卸载，将需要计算资源量大的任务全部卸载到MEC服务器进行计算。其次，对于剩下的不容易判断类型的业务，定义任务分类因子为βn，筛选出其中一部分时延不大敏感，计算资源量也一般的任务，对筛选出的任务进行基于Q学习的部分卸载。最后，当所有移动车辆用户终端所请求任务的卸载决策确定后，将对每个MEC服务器中的用户进行计算资源的分配。本发明的策略方法充分利用本地资源和服务器资源，降低系统总开销。
-
Patent Agency Ranking
公开(公告)号：CN113296845A
公开(公告)日：2021-08-24
申请号：CN202110619280.4
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明公开一种边缘计算环境下基于深度强化学习的多小区任务卸载算法，提出了一种改进的双深度Q网络算法，并基于双深度Q网络算法进行任务卸载算法设计，并将MEC边缘控制平台作为智能体与车联网环境进行交互，旨在相同的资源下优化任务处理速率与任务执行时延，另外在复杂业务场景下，针对DQN算法中存在的过估计问题，对DQN算法中的Q值函数进行改进，提高模型选择最优卸载策略的能力，本方案可以显著的提高计算与存储资源的利用率、有效降低车辆终端的任务执行时延，大幅度提高边缘侧计算与存储资源的利用率，并且算法收敛效率高于传统的DQN算法，解决了任务的最佳卸载比例问题，能够更有效地降低任务的执行时延。
-
公开(公告)号：CN119442123B
公开(公告)日：2025-04-22
申请号：CN202510045375.8
申请日：2025-01-10
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供基于多模态大模型的异常信息检测方法及装置。在本实施例中，在确定了存在异常信息的前提下，再进行异常信息的具体内容的检测方式，这相比于直接对目标文件进行异常信息的具体细节的检测，一方面，不再是同时进行异常信息的检测和异常信息的具体内容的检测，这使得在进行是否存在异常信息的检测的时候，将异常信息检测模型的全部算力聚焦于是否存在异常信息上，能够提高是否存在异常信息的准确度。另一方面，也能在进行异常信息的具体内容的检测的时候，充分利用存在异常信息的先验条件，且全部算力聚焦于异常信息的具体内容上，这也能够准确检测出异常信息的具体内容。
-
公开(公告)号：CN119442123A
公开(公告)日：2025-02-14
申请号：CN202510045375.8
申请日：2025-01-10
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供基于多模态大模型的异常信息检测方法及装置。在本实施例中，在确定了存在异常信息的前提下，再进行异常信息的具体内容的检测方式，这相比于直接对目标文件进行异常信息的具体细节的检测，一方面，不再是同时进行异常信息的检测和异常信息的具体内容的检测，这使得在进行是否存在异常信息的检测的时候，将异常信息检测模型的全部算力聚焦于是否存在异常信息上，能够提高是否存在异常信息的准确度。另一方面，也能在进行异常信息的具体内容的检测的时候，充分利用存在异常信息的先验条件，且全部算力聚焦于异常信息的具体内容上，这也能够准确检测出异常信息的具体内容。
-
公开(公告)号：CN119358032A
公开(公告)日：2025-01-24
申请号：CN202411909716.3
申请日：2024-12-23
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06F21/62 , G06N3/0455 , G06N3/088 , G06N3/0442 , G06N3/0464 , G06N3/0985
Abstract: 本申请提供一种基于混合学习的隐私泄漏检测方法及设备。在本申请的一个示例中，该基于混合学习的隐私泄漏检测方法包括：获取隐私泄露检测关联数据；利用无监督学习模型，对所述隐私泄露检测关联数据进行隐私泄露检测关联特征提取，得到隐私泄露检测关联特征；以及，利用超参数优化方案确定深度学习模型的初始最优超参数组合；构建隐私泄露检测模型，并依据所述初始最优超参数组合，利用所述隐私泄露检测关联特征对所述隐私泄露检测模型进行训练，得到训练好的隐私泄露检测模型；针对待检测物联网环境，对所述训练好的隐私泄露检测模型进行迁移学习。该方法可以提升模型在复杂物联网数据上的泛化能力和准确性。
-
公开(公告)号：CN119128993B
公开(公告)日：2025-01-21
申请号：CN202411620475.0
申请日：2024-11-13
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06F21/62 , G06F21/55 , G06F18/213 , G06N3/04 , G06N3/08
Abstract: 本申请实施例提供基于并行深度神经网络的隐私泄露检测方法。本申请实施例中，先从获得的隐私数据集的每一隐私样本数据中提取敏感隐私特征以得到该隐私样本数据对应的敏感隐私特征向量；之后，由本设备上N个CPU内核基于各隐私样本数据对应的敏感隐私特征向量并行训练出对应的DNN模型，以当任一检测设备需要检测任一目标网络流时利用已训练出的DNN模型检测该目标网络流是否出现隐私泄露，这样实现了物联网设备隐私泄露的检测，保证了物联网设备的信息安全。本实施例中由N个CPU内核并行训练多个DNN模型，这样能够使得各DNN模型之间的模型参数不会相互影响，避免DNN模型间的耦合，提高了各DNN模型的性能。
-
-
-
-
-
-
-
-
-
Search Results
174
records
(took 0.098 seconds)
