-
公开(公告)号：CN111967508A
公开(公告)日：2020-11-20
申请号：CN202010759034.4
申请日：2020-07-31
Applicant: 复旦大学
Abstract: 本发明属于时间序列异常检测技术领域，具体为一种基于显著图的时间序列异常点检测方法。本发明分为序列谱残差变换阶段和序列显著图重构阶段。序列谱残差变换阶段将原始序列转化为显著图形式；序列显著图重构阶段将上一阶段得到的显著图序列作为输入，经过编码解码重构显著图序列，编码阶段利用长短期记忆模型来将输入序列压缩到向量，解码阶段利用对称的长短期记忆模型将向量重构得到的重构显著图序列，计算重构显著图序列和原始显著图序列的残差得到异常评分，通过与阈值比较检测出异常点。该方法能够很好的检测一维时间序列的异常，在时间序列异常检测通用数据集上取得了较好的结果。
-
公开(公告)号：CN111967507A
公开(公告)日：2020-11-20
申请号：CN202010759031.0
申请日：2020-07-31
Applicant: 复旦大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , H04N19/625
Abstract: 本发明属于时间序列异常检测技术领域，具体为一种基于离散余弦变换和U-Net的时序异常检测方法。该方法包括训练阶段和检测阶段，具体步骤如下：训练阶段将正常时序数据编码为特征图，并构建U-Net模型，使用特征图作为样本来训练模型；检测阶段将时序数据编码为特征图，把特征图输入训练好的模型获得异常分数，并根据异常分数的大小判断是否异常。本发明采用的离散余弦变换和U-Net网络模型能够有效的捕捉时序数据的时间依赖性，与基准方法相比，能实现对异常更准确地检测。
-
公开(公告)号：CN111738091A
公开(公告)日：2020-10-02
申请号：CN202010464461.X
申请日：2020-05-27
Applicant: 复旦大学
Abstract: 本发明公开了一种基于多任务深度学习的姿态估计与人体解析系统。本发明系统包括人体检测子网和姿态估计与人体解析联合学习子网；输入图像首先经过人体检测子网得到人体的位置、掩码等信息，并根据这些信息从多人图像中提取出无干扰的单人图像；再将无干扰的单人图像经过姿态估计与人体解析联合学习子网，得到姿态估计结果和多粒度人体解析结果；最后将单人姿态估计结果和多粒度人体解析结果合并到原图像上。本发明基于人体姿态区分不同人体实例，在多人图像上取得了更好的人体检测效果；本发明中能提升姿态估计与人体解析这两个任务的准确率；在人体解析任务上采用级联网络结构，能有效提升人体解析准确率，便于更细解析粒度上扩展。
-
-
Search Results
3
records
(took 0.012 seconds)
