-
公开(公告)号：CN119445337B
公开(公告)日：2025-04-29
申请号：CN202510045394.0
申请日：2025-01-13
Applicant: 电子科技大学
IPC: G06V10/82 , G06V10/84 , G06V40/16 , G06V10/774 , G06N3/094 , G06N3/092 , G06N3/0464 , G06N3/045 , G06N3/098
Abstract: 本发明公开了一种基于强化学习的人脸识别联邦学习系统后门攻击方法，涉及联邦学习安全技术领域。本发明包括：获取构建强化学习虚拟环境的基础信息；采用马尔科夫链构建用于强化学习的虚拟环境；构建基于深度神经网络的强化模型，并在构建的强化学习虚拟环境中对强化模型进行训练，基于训练好的强化模型得到后门攻击模型；再将该模型置于目标联邦系统的真实环境中进行测试以实现对模型参数的微调，得到用于目标联邦系统的后门攻击模型实例。本发明解决了现有联邦学习后门攻击存在的适应性不佳，需要大量后门设备以及持久性差的问题；并且可以进一步提升联邦学习系统对后门攻击的防御能力，以及丰富联邦学习系统的后门防御能力的评估方式。
-
公开(公告)号：CN118913295A
公开(公告)日：2024-11-08
申请号：CN202411422856.8
申请日：2024-10-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于脉冲分布式强化学习的无人机路径规划方法，属于机器智能决策与控制技术领域。本发明方法包括构建基于脉冲神经网络的分布式强化学习神经网络模型，该模型在无人机路径规划过程中预测动作的回报分布而非传统的回报期望，根据回报分布捕捉更多有效信息以在面对复杂情景时更加稳定地选择高质量的无人机控制动作。本发明基于脉冲神经网络的模型架构降低了计算频率，基于分布式强化学习的方法弥补了现有无人机路径规划方法关注点单一、损失有价值信息的问题，增强了本发明应对不确定性和随机性的能力，扩大了本发明方法面对复杂多变的现实无人机路径规划任务时的适用性。
-
公开(公告)号：CN118628944A
公开(公告)日：2024-09-10
申请号：CN202411105759.6
申请日：2024-08-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种事件流和事件帧融合的强化学习无人机避障方法，属于人机避障技术领域。本发明将事件相机产生的事件流和事件帧信息分别输入到不同的特征提取网络中，再通过特征向量融合的方式来获取事件流与事件帧的融合表征；使用在采集的离线数据流上预训练好的事件自分编码器作为模型的事件流特征提取网络，用于将具有时序性、异步性的事件流信息转换为特征信息，以提升无人机避障成功率；同时将强化学习训练过程解耦为两阶段，通过对比重建图像与真值图像进行预训练，事件帧卷积网络在智能体学习过程中进行训练，并有效利用融合特征补充智能体环境交互所需的状态信息。本发明用于搭载了事件相机的无人机，能获得良好的避障效果。
-
公开(公告)号：CN117149968A
公开(公告)日：2023-12-01
申请号：CN202311069249.3
申请日：2023-08-24
Applicant: 电子科技大学
IPC: G06F16/332 , G06F16/36 , G06N5/04 , G06N5/025 , G06F40/289 , G06F40/242 , G06N3/0455 , G06N3/0442
Abstract: 本申请公开了一种结合混合式模型的会话内容生成方法，属于开放域多轮对话技术领域。方法先获取会话语料库，用作候选语料；然后获取训练数据集并进行预处理；对训练数据进行细粒度语境构建，对训练数据中的概念实体进行检索，并将其概念实体集合的邻居实体用作辅助嵌入；对会话检索模型进行结构改进，并分别将训练数据集中的会话上下文以及回复进行编码，获得检索匹配分数；使用中文预训练语言模型，分别将训练数据集的原始会话上下文和回复，以及邻居概念实体信息进行编码，获得文本上下文向量；对文本上下文向量解码，生成对应的会话回复。本申请提高了会话生成回复与会话上下文之间的相关性，同时提高了生成回复的语义丰富度和质量。
-
公开(公告)号：CN113553917B
公开(公告)日：2023-04-28
申请号：CN202110741347.1
申请日：2021-06-30
Applicant: 电子科技大学
IPC: G06V20/52 , G06T7/13 , G06T5/50 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/049 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种基于脉冲迁移学习的办公设备识别方法，根据迁移学习任务，将干净背景、高分辨率、无噪音的有标注的办公设备图像作为源域，实际场景下采集的不同噪声及分辨率的图像作为目标域；初始化脉冲神经网络参数，得到初始状态的迁移学习网络模型；将源域和目标域转换为脉冲形式的图片，输入至初始状态的迁移学习网络模型中，并正向传播；根据域迁移损失以及分类损失，使用Adamax优化器进行整个网络的训练，直到模型收敛或达到最大迭代次数，得到训练好的迁移学习网络模型；保存训练好的迁移学习网络模型，将目标域的全部样本输入导训练好的迁移学习网络模型中，预测得到最终的分类结果。
-
Patent Agency Ranking
公开(公告)号：CN110136061B
公开(公告)日：2023-02-28
申请号：CN201910387078.6
申请日：2019-05-10
Applicant: 电子科技大学中山学院
IPC: G06T3/40
Abstract: 本发明公开了一种基于深度卷积预测与插值的分辨率提升方法及系统，涉及分辨率提升领域；其包括步骤：构建深度卷积网络，并预处理图片集，深度卷积网络包括特征提取网络、预测网络和重构网络；利用预处理后的训练集中的低分辨率图片Pl输入上述深度卷积网络进行特征提取、邻域特征预测、邻域特征插值和重构预测出高分辨率图片Ph，计算Ph与训练集中目标高分辨率图片Pt间的均方损失，并通过梯度下降训练各部分网络，重复上述过程迭代M次完成训练；将实际场景中的低分辨率图片输入已训练的深度卷积网络，获取高分辨率图片；本发明解决现有分辨率提升使用的网络训练难度大、分辨率提升效果差的问题，达到了降低训练难度、提高分辨率的效果。
-
公开(公告)号：CN115481236A
公开(公告)日：2022-12-16
申请号：CN202211053861.7
申请日：2022-08-31
Applicant: 电子科技大学
IPC: G06F16/335 , G06F16/35 , G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于用户兴趣建模的个性化新闻推荐方法，包括步骤：获得新闻文本数据，将文本数据进行预处理，删除停用词，向量化等操作；将向量化的新闻数据输送到文本特征提取器进行特征抽取，获得新闻特征；构建基于用户兴趣的新闻推荐模型，结合残差图卷积网络模块与用户热兴趣模块，输出用户点击概率；模型训练，模型训练基于交叉熵损失函数进行训练；对输入的一系列候选新闻的点击预测概率进行排序，输出设定好的前K篇新闻作为推荐结果。本发明用于用户个性化的新闻推荐，能有效提升推荐有效性。
-
公开(公告)号：CN113705647A
公开(公告)日：2021-11-26
申请号：CN202110954044.8
申请日：2021-08-19
Applicant: 电子科技大学
Abstract: 本发明提供一种基于动态间隔的双重语义特征提取方法，属于计算机视觉特征识别技术领域。本发明方法动态通过调整类别间隔的损失函数来获取具有判别性的图像特征，即对特征和权重向量进行归一化，然后对损失函数动态的调整，来实现不同类别的不同的余弦间隔。该方法使得间隔设置更加合理，同时能在保留特征限制的同时，不增加神经网络模型优化的复杂度，与其他提出的损失函数相比，更加简单易于实现和准确。
-
公开(公告)号：CN106097356B
公开(公告)日：2018-07-06
申请号：CN201610427938.0
申请日：2016-06-15
Applicant: 电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于Spiking图像角点检测方法，属于图像处理技术领域，解决现有技术对角点检测精度不高，缺乏对时间和空间特征的解释问题。本发明提出了一种基于Spiking神经网络的图像角点检测方法，该算法使用Spiking神经元模板对图像进行扫描，并根据检测神经元的电压变化等情况来确定图像角点，可以较好的对图像角点进行检测。Spiking神经网络使用电压表示信息强度，使用脉冲传递信息，由于这种基于脉冲的信息表示方法具有很强的时序性，因此本发明借助于Spiking神经网络的优势，研究基于Spiking神经网络的图像角点特征检测。本发明应用于图像角点特征提取、光流计算、目标识别、跟踪、运动估计和三维重构等涉及角点应用的计算机视觉场合。涉及Spiking神经网络、机器学习。
-
公开(公告)号：CN120068978A
公开(公告)日：2025-05-30
申请号：CN202510225625.6
申请日：2025-02-27
Applicant: 电子科技大学
IPC: G06N3/082 , G06N3/0495 , G06N3/045 , G06N3/042 , G06V10/82
Abstract: 本发明提供了一种针对视觉Transformer模型的小样本细粒度块级模型剪枝方法。较于传统的结构化模型剪枝方法，本发明提出的细粒度块剪枝方法能够更精准地识别和剪除模型中的冗余部分。通过将视觉Transformer(ViT)模型的Transformer编码层细分细粒度块，实现了对模型的精细化处理。在小样本条件下，利用基于恢复能力的剪枝候选块重要性评估指标，进一步确保了剪枝决策的准确性，衡量候选块剪枝后模型恢复能力及计算效率，综合评估块重要性，实现精准剪枝，平衡精度与效率。进一步通过构建剪枝与微调一体化框架，通过微调后的模型性能对候选块进行排序，确保剪枝过程连贯且性能损失最小，适应资源受限环境。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.031 seconds)
