-
公开(公告)号：CN115470932A
公开(公告)日：2022-12-13
申请号：CN202211082292.9
申请日：2022-09-06
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种联邦学习方法，尤其涉及一种基于强化学习的联邦学习客户端智能选取方法，属于大规模分布式边缘智能学习系统的性能优化技术领域。解决了联邦学习领域中非独立同分布数据给训练模型带来的收敛速度慢、训练准确率下降的问题。本申请在不借助任何辅助数据集，并保证客户端本地数据对服务器端不可见的隐私前提要求下，设计了一种基于数据向量的方案来揭示参与训练的联邦客户端的本地数据分布情况；在此基础上，设计一种面向平衡类分布的客户端选择算法；并基于强化学习的模型平衡每一轮联邦选择的探索与开发，从而提高联邦学习全局模型的收敛性能。
-
公开(公告)号：CN113592008B
公开(公告)日：2022-05-31
申请号：CN202110896070.X
申请日：2021-08-05
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种基于自编码器的图神经网络机制解决小样本图像分类的系统、方法、设备及存储介质，属于计算机视觉技术领域。解决了现有技术中无法同时利用样本类内与类间分布情况的不足。本申请1)针对于基类数据集，依据重构损失最小化准则，训练一个自编码器，学习类内样本间的差异信息。2)将支持集的样本输入到自编码器中，为支持集生成更多的重构样本。3)将支持集的样本、重构样本和查询集样本一起训练出图神经网络，用来对查询集样本节点进行边标签的预测，进而预测节点所属的类别。本申请提高了小样本情况下模型的性能和泛化能力。
-
公开(公告)号：CN113592007A
公开(公告)日：2021-11-02
申请号：CN202110896069.7
申请日：2021-08-05
Applicant: 哈尔滨理工大学
Abstract: 一种基于知识蒸馏的不良图片识别系统、方法、计算机及存储介质，属于图片检测技术领域。本发明包括首先利用图片数据增强方式对训练数据集进行数据增强，然后利用数据增强后的图片数据集训练基于图片全局特征进行识别的教师神经网络T1，利用数据增强后的图片数据集训练基于图片语义特征进行识别的教师神经网络T2，然后利用教师神经网络T1、T2，结合类别预测损失函数，特征注意力蒸馏损失函数，语义蒸馏损失函数训练学生神经网络，最后将待预测的图片输入到已训练完毕的学生神经网络中进行不良图片识别。本发明在不良图片识别问题中相比于传统方法准确率更高，识别速度更快。
-
公开(公告)号：CN118628734B
公开(公告)日：2025-05-16
申请号：CN202410663602.9
申请日：2024-05-27
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/764 , G06V20/70
Abstract: 本发明提出一种基于自适应分块与概率重分配的图像分割方法，属于图像分割技术领域。包括：S1.初始化高斯混合模型参数与每个像素的分割类别初始估计值；S2.对待分割图像使用固定形状的滑动窗口进行固定分块划分；S3.将待分割图像转换为灰度图像，计算每个像素邻域范围内的方差，生成每个像素的匹配度向量，选取匹配度向量中最小值的区域块与对应像素建立映射关系和像素‑块区域似然矩阵；S4、得到待分割图像的后验概率及本轮图像分割结果；S5.将待分割图像的后验概率按照像素与区域块的映射关系分配到区域块中的每个像素，对模型参数进行更新；S6.重复S2至S5，直至收敛。本发明有效提升整体分割的准确度和一致性。
-
公开(公告)号：CN117077672A
公开(公告)日：2023-11-17
申请号：CN202310822927.2
申请日：2023-07-05
Applicant: 哈尔滨理工大学
IPC: G06F40/295 , G06F40/284 , G06F40/289 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明提出一种基于词汇增强和TCN‑BILSTM模型的中文命名实体识别方法，属于计算机自然语言技术领域。包括S1、将输入语句中的字符映射成字符表示；S2、将语句中的词汇和分词信息拼接到字符表示上，得到词汇增强后的字符表示；S3、使用预训练的BERT模型，获得输入语句中具有上下文表示的字符表示，将具有上下文表示的字符表示与词汇增强后的字符表示做拼接，得到拼接后的字符表示；S4、对拼接后的字符向量表示做特征提取，得到具有上下文信息和长距离语义信息的特征向量表示；S5、将具有上下文信息和长距离语义信息的特征向量表示输入CRF解码模型预测每个字符的实体标签。解决对于多层次语义信息识别率低的问题。
-
Patent Agency Ranking
公开(公告)号：CN115760764A
公开(公告)日：2023-03-07
申请号：CN202211444831.9
申请日：2022-11-18
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06T7/11 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种融合样本内对照信息的宫颈异常细胞识别方法，本发明涉及细胞病理检测中，样本间的差异性导致宫颈异常细胞识别精确率低、假阳性率高的问题。由于不同生理状态、不同年龄段的宫颈病理状态具有天然差异，宫颈细胞的形态、大小并不相同，而深度学习方法主要使用来自不同样本的宫颈异常细胞标注数据训练模型，极少考虑到宫颈细胞病理样本间的差异性，导致了宫颈异常细胞识别标准模糊，精确率低，假阳性率高等问题。为改善这一问题，本发明提出了一种融合样本内对照信息的宫颈异常细胞识别方法。实验表明，该方法能够有效对比样本内正常细胞的形态特征识别异常细胞，降低了宫颈异常细胞识别的假阳性率，提高了样本检测准确率、敏感度和特异度。本发明主要应用于宫颈细胞病理检测中异常细胞识别。
-
公开(公告)号：CN114936293A
公开(公告)日：2022-08-23
申请号：CN202210646432.4
申请日：2022-06-08
Applicant: 哈尔滨理工大学
IPC: G06F16/36 , G06F16/901 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于改进型EmbedKGQA模型的知识图谱问答方法、电子设备及存储介质，属于机器学习技术领域。首先，获得问题集、问题的主题实体、问题的答案集和答案相关的关系集；其次，得到知识图谱中所有实体和关系的嵌入表示；其次，将自然语言问题嵌入到固定的维度；其次，得到增强的问题嵌入表示；其次，将增强的问题嵌入表示、主题实体嵌入表示通过答案评分函数得到所有实体的答案得分和答案候选实体的嵌入表示；最后，将候选实体嵌入表示信息通过关系评分函数，将答案评分函数和关系评分函数的线性组合作为最终的评分函数，选择得分最高的实体作为预测结果。解决EmbedKGQA模型效率低、问答不准确的问题。
-
公开(公告)号：CN117171760A
公开(公告)日：2023-12-05
申请号：CN202311136567.7
申请日：2023-09-04
Applicant: 哈尔滨理工大学
IPC: G06F21/57 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/74 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明提出了一种基于感知相似性的深度神经网络隐蔽后门攻击方法，属于计算机安全领域。首先，使用后门图像生成器针对干净图像样本生成对应的后门图像；其次，计算后门图像与对应的原始图像之间的感知距离；再其次，通过感知距离计算后门图像与对应原始图像之间的感知相似性；再其次，结合感知相似性损失函数训练后门图像生成器，减少后门图像与原始图像之间的视觉差异；最后，采取了两阶段训练方法，使得触发模式的生成与对分类器模型的投毒变得自动化，提高了训练效率。相比于一般的深度神经网络后门攻击方法，本发明通过感知距离计算后门图像与原始图像之间的感知相似性，约束后门图像生成器的学习，解决了后门图像隐蔽性不足的问题。本发明在后门攻击中生成后门图像的效果比传统方法更好。
-
公开(公告)号：CN117150018A
公开(公告)日：2023-12-01
申请号：CN202311174924.9
申请日：2023-09-13
Applicant: 哈尔滨理工大学
IPC: G06F16/35 , G06F16/36 , G06N3/084 , G06N3/0895
Abstract: 一种多视图零样本节点分类网络模型训练方法，其特征在于，建立零样本节点分类网络模型，在该分类网络模型中设置一个判别器，通过最大相似度算法来获得样本中的标签；建立知识导向的零样本辅助信息模型，通过将样本的类别标签映射到知识图谱中的实体来获取用于训练和判别的零样本辅助信息；建立不可见类伪样本生成模型，通过生成特征分布与不可见类样本类似的伪样本实现广义零样本学习；建立多视图样本特征表示提取模型，通过多视图模型来获取样本的多视图特征表示；建立多视图特征融合模型，通过对比式自编码器，将样本的多视图特征表示融合成为特征向量并优化；建立图数据网络模型，通过样本之间的关联信息，优化样本的特征分布。
-
公开(公告)号：CN112906982A
公开(公告)日：2021-06-04
申请号：CN202110299587.0
申请日：2021-03-22
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于GNN‑LSTM结合的网络流量预测方法，该方法属于网络流量预测领域，首先加载真实网络流量数据集，并对数据集进行标准归一化处理，然后将网络流量数据进行划分训练集和测试集，构建基于图神经网络和长短期记忆神经网络结合的模型，其中图神经网络学习网络拓扑结构，提取网络流量的空域特征，然后将具有空域作为长短期记忆神经网络输入，学习网络流量的时域变化规律，提取网络流量的时域特征，在LSTM模型中进行基于Adam优化算法进行迭代训练，得到训练好的模型，最后输入测试集数据进行预测，输出的序列是基于GNN‑LSTM的预测结果，每项序列生成概率都受多个历史的流量序列的影响，能够更好的提取网络流量的时空特性，流量预测更加精确。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.02 seconds)
