-
公开(公告)号：CN118247598A
公开(公告)日：2024-06-25
申请号：CN202410331076.6
申请日：2024-03-22
Applicant: 浙江工业大学
IPC: G06V10/774 , G06V10/143 , G06V10/25 , G06V10/74 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06N3/094 , G06N3/126
Abstract: 本发明公开了一种基于交叉对比学习的后融合伪装方法和装置，方法包括以下步骤：预训练对比学习模型并提取其优化后的骨干网络构建目标检测模型；结合差分进化算法生成对抗性补丁，将添加对抗性补丁的多模态的图像分别输入多模态的目标检测模型，构建包括对比损失、目标检测损失和感知损失及正则项的总对抗性损失，优化对抗性补丁；基于优化后的对抗性补丁生成对抗样本输入目标检测模型得到多模态的检测结果，再将多模态的检测结果输入后融合模型中得到最终检测结果并对隐身效果进行评估。本发明在提高对抗样本隐身效果的同时也能够揭示后融合模型在安全性和鲁棒性方面的弱点，适用于自动驾驶、机器人技术、安防、隐私保护领域等多种应用场景。
-
公开(公告)号：CN118246019A
公开(公告)日：2024-06-25
申请号：CN202410225885.9
申请日：2024-02-29
Applicant: 浙江工业大学
IPC: G06F21/57 , G06N5/04 , G06N3/092 , G06N3/0985
Abstract: 本发明公开了一种基于元模仿学习的多智能体博弈强化学习安全测试方法和系统，属于面向多智能体博弈强化学习模型安全测试领域，包括：通过元模仿学习的方式，实现仅通过少量专家样本数据进行克隆，获取与原模型策略相同的影子模型。并对影子模型使用梯度下降的方式进行安全测试来发现其策略上的安全漏洞。本发明具有低成本、高效率的优势，对保证多智能体强化学习模型安全方面具有极其重要的实践意义。
-
公开(公告)号：CN118171247A
公开(公告)日：2024-06-11
申请号：CN202410298251.6
申请日：2024-03-15
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于神经结构混淆和权重加密的深度神经网络反编译防御方法和系统，属于机器学习技术领域，包括：采用层扩展策略、层分支策略、层深度增强策略以及层跳过策略中的任意组合，实现对深度神经网络的结构混淆，其中，层扩展策略通过增加深度神经网络的卷积层或全连接层的输出通道实现，层分支策略通过对深度神经网络的层算子进行分解实现，层深度增强策略通过在激活函数末端插入深化层实现；层跳过策略通过在层之间插入跳过层实现；采用混沌算法，对结构混淆之后的深度神经网络进行权重加密，得到加密的深度神经网络。本发明方法通过高效率和高精度的权重混沌方法，而并未改变深度神经网络的权重的分布，加强了反编译防御水平。
-
公开(公告)号：CN117275496A
公开(公告)日：2023-12-22
申请号：CN202311250752.9
申请日：2023-09-26
Applicant: 浙江工业大学 , 中国电子科技集团公司第三十六研究所
IPC: G10L19/02 , G10L25/30 , G10L13/08 , G10L21/0208
Abstract: 一种基于全局风格令牌和奇异谱分析的端到端语音合成方法，包括以下步骤：S1：输入文本；S2：文本预处理；S3：构造编码‑解码器网络；S4：训练编码‑解码器网络；S5：构造MelGAN声码器；S6：构造GST；S7：生成梅尔谱；S8：生成时域波形；S9：通过SSA对音频进行降噪。采用奇异谱分析的方法，解决了端到端语音合成模型合成的语音波形中偶现的毛刺问题；可以一定程度上降低合成语音中存在的背景噪声，同时采用了GST结构，能合成出不同风格的语音，达到语音风格多样化的目的，声码器部分采用了MelGAN结构，提高了语音合成的速度。相较于传统的语音合成方法，本发明的方法在自然度与质量上有所提高。
-
公开(公告)号：CN119312125A
公开(公告)日：2025-01-14
申请号：CN202411190828.8
申请日：2024-08-28
Applicant: 浙江工业大学
IPC: G06F18/24 , G06F18/22 , G06F18/214 , G06F18/2131 , G06N3/084
Abstract: 一种信号调制识别任务下匹配多域分布的数据集合成方法，包括以下步骤：S1：定义训练集和合成数据集；S2：计算训练集信号和合成集信号之间的分布匹配损失；S3：将训练集和合成集中的信号映射到频域；S4：计算频域上训练集信号和合成集信号之间的分布匹配损失；S5：结合S2和S4得到的两个分布匹配损失作为最后的目标函数，通过最小化目标函数得到最优的合成数据集。本发明的方法结合了调制信号的时域和频域信息来进行数据集合成，在较小的合成数据集下仍能训练出一个具有良好分类能力的模型，获得的合成数据集具有较高的压缩率，且在该数据集下训练得到的模型仍然具有较高的分类能力。
-
Patent Agency Ranking
公开(公告)号：CN117951692A
公开(公告)日：2024-04-30
申请号：CN202410136919.7
申请日：2024-01-31
Applicant: 浙江工业大学
IPC: G06F21/55 , G06F18/241 , G06F18/214
Abstract: 本发明公开了基于条件生成器的面向目标检测模型的黑盒隐身方法和系统，属于机器学习领域，包括：通过将目标类标签和原始样本送入条件生成器中，生成扰动并叠加到原始样本的低频成分上，再将其投影到原始样本上制作对抗样本，最后将制作出含有补丁的目标对抗样本；再将目标对抗样本传到目标检测器中，根据目标检测器的损失来反向对条件生成器的参数和补丁位置进行优化迭代；通过以上步骤得到最优位置和训练好的条件生成器，利用最优位置和训练好的条件生成器制作目标对抗样本攻击其他黑盒模型检测器。本发明通过制作可迁移的固定尺寸的对抗性补丁，采用目标检测器检测对抗样本，提高了对抗性扰动的隐蔽性和泛化性。
-
公开(公告)号：CN116878511A
公开(公告)日：2023-10-13
申请号：CN202310733640.2
申请日：2023-06-20
Applicant: 浙江工业大学 , 中国电子科技集团公司第三十六研究所
Abstract: 一种基于粒子滤波算法的汽车轨迹跟踪方法，包括以下步骤：1)初始化；2)初始化粒子生成器；3)粒子预测过程；4)权重更新过程；5)权值归一化；6)地图匹配；7)权值再归一化；8)状态估计；9)重采样；10)迭代运行，当汽车继续运动时，速度传感器继续输出观测值，滤波器开始进行迭代运算，滤波器将上一步生成粒子与权重作为输入，返回步骤3)继续运行，如果当速度传感器无输出时，滤波器终止计算，滤波结束。本发明用于解决现有粒子滤波定位与跟踪方法中存在的滤波器粒子无重采样、粒子退化及忽略环境地图信息等问题，并使得汽车初始状态未知的情况下能够实现对汽车的一个准确的定位与跟踪。
-
公开(公告)号：CN117938522A
公开(公告)日：2024-04-26
申请号：CN202410137019.4
申请日：2024-01-31
Applicant: 浙江工业大学
IPC: H04L9/40 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于扩散模型的对比学习图神经网络后门防御方法和系统，属于神经网络安全技术领域，包括：通过分数扩散模型和节点随机丢弃生成原始图的不同增强图，再利用对比学习训练GCN图编码器，与原数据训练的图解码器配合判断图数据是否含有触发器，最后对可疑图数据进行图重构。本发明提出的方法能够提高图神经网络对后门攻击的鲁棒性，保护网络的安全性和可靠性。
-
公开(公告)号：CN116824582A
公开(公告)日：2023-09-29
申请号：CN202310733655.9
申请日：2023-06-20
Applicant: 浙江工业大学 , 中国电子科技集团公司第三十六研究所
IPC: G06V20/70 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/084
Abstract: 一种基于GAN网络的语义图像还原方法，通过对图像数据集中的语义标签图像和原始图像进行预处理和数据增强；利用两个GAN网络构成循环生成对抗过程，该网络结构包含两个生成器和判别器，生成器采用U‑Net网络结构，判别器采用PatchGAN网络结构；生成器和判别器迭代学习，逐步进化，训练至达到动态平衡，实现了在不使用成对数据集的情况下将分割后所传输的语义标签域的图像还原成肉眼真实的原始图像，克服了传统图像还原技术中需要成对数据集的限制问题。
-
公开(公告)号：CN119010964A
公开(公告)日：2024-11-22
申请号：CN202410974037.8
申请日：2024-07-19
Applicant: 浙江工业大学
IPC: H04B7/0456 , H04B7/06 , H04B17/391 , G06N3/08
Abstract: 一种基于傅里叶频谱的多特征波束赋型无线通信模型训练方法，属于无线通信领域，首先搭建基于MATLAB仿真平台的毫米波通信系统，定义系统中各个结构的参数；其次，由已有数据经过信道估计生成数据集；随后通过傅里叶变换得到多特征数据作为神经网络的输入；再次，通过各层神经网络以及本发明设计的损失函数进行约束，即可得到改变天线状态的预编码矩阵VRF，最后将测试集输入到模型，通过频谱效率来判断波束赋型效果。本发明设计此模型，将输入数据先进行离散傅里叶变换在进入神经网络，随后设计损失函数有效地提高了波束赋型效果，减少功率损耗。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
