-
公开(公告)号：CN118710933A
公开(公告)日：2024-09-27
申请号：CN202410749741.3
申请日：2024-06-12
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司
IPC: G06V10/72 , G06V10/77 , G06V10/62 , G06V10/82 , G06N3/0464 , G06N3/0499
Abstract: 本发明公开了一种基于交互二维卷积的多变量时间序列数据预测方法，属于时序数据预测领域，该方法首先定时或持续记录，收集时序数据。其次构建多变量时间序列数据预测模型，输入收集的时序数据，得到预测结果。最后对多变量时间序列数据预测模型进行训练，并测试。本发明有效捕获长期时间变量，提升预测精度，打破变量空间连续性，帮助充分捕获变量间相关性，提升模型鲁棒性，适用于多变量时序数据预测任务。
-
公开(公告)号：CN118690832A
公开(公告)日：2024-09-24
申请号：CN202410910182.X
申请日：2024-07-09
Applicant: 绍兴佳宜信息科技有限公司 , 杭州电子科技大学 , 杭州电子科技大学上虞科学与工程研究院有限公司
IPC: G06N3/098 , G06N3/0464 , G06N3/0455 , G06F18/241 , G06F18/214 , G06F21/62
Abstract: 本发明公开了一种基于扩散模型的联邦持续学习方法，包括如下步骤：步骤1、服务器分发参数至各个客户端；步骤2、客户端分割本地真实数据为训练集和验证集，并更新模型参数；步骤3、若当前任务是初始任务，训练本地分类器，之后转至步骤6，若当前任务不是初始任务，客户端合成历史数据；步骤4、将合成数据与本地真实数据混合；步骤5、使用交叉熵损失和kl散度训练本地分类器；步骤6、依据验证集结果保存本地分类器参数；步骤7、训练扩散模型；步骤8、客户端训练结束，将参数上传到服务器。步骤9、服务端先对模型参数进行平均聚合。再用所有本地合成样本，训练分类器。步骤10、训练结束。该方法提高联邦系统的准确率和减轻遗忘以前知识。
-
公开(公告)号：CN118606844A
公开(公告)日：2024-09-06
申请号：CN202410756696.4
申请日：2024-06-13
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司
IPC: G06F18/2431 , G06F18/2131
Abstract: 本发明公开了一种基于频域特征抽取的时间序列分类方法，该方法首先获取数据集中的不同维度的时间序列信息，并应用标准化。其次将标准化后的时间序列信息放入时间分块层中，进行分解，将分解后的数据输入Transformer中的自注意力层提取时域特征。然后对时域特征进行傅里叶分解，并通过选择算子同时保留频域上的高频分量和低频分量，再通过逆傅里叶变换将时序数据转换到时域维度。最后根据时域特征和频域特征信息，由分类器对时序数据进行分类。本发明从而解决了时序数据的分类过程中缺乏对频域信息的学习，提高时序分类的准确率。
-
公开(公告)号：CN118521862A
公开(公告)日：2024-08-20
申请号：CN202410745161.7
申请日：2024-06-11
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司
IPC: G06V10/80 , G06V10/44 , G06V10/25 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于重参数化卷积的目标检测位置编码方法，该方法首先将图像向量进行滑动窗口上采样处理，获得扩充后的图像向量Wout。其次提取滑动窗口上采样后的Wout的卷积位置编码信息，以及提取图像掩码的绝对位置信息。最后将卷积位置编码信息和绝对位置信息，通过融合位置编码再提取模块，获得融合后的图像位置编码特征，完成目标检测位置编码。本发明充分利用图像特征信息和掩码，更好的利用图像原本的特征，从而提高整个模型的检测能力。
-
公开(公告)号：CN118446899A
公开(公告)日：2024-08-06
申请号：CN202410897395.3
申请日：2024-07-05
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/045 , G06N3/096 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/82
Abstract: 本发明公开了基于层级感受野Transformer的图像超分辨率方法，该方法首先将低分辨率图像输入到浅层特征提取模块，通过卷积层提取得到浅层特征。其次将浅层特征输入到由若干个HRT模块级联而成的深层特征提取模块，得到深层特征。最后将浅层特征和深层特征分别输入图像重建模块，将两个重建模块的输出相加后得到高分辨率图像。本发明大幅提升了图像超分辨率重建的效果，具有广泛的应用前景和显著的实用价值。
-
Patent Agency Ranking
公开(公告)号：CN118711044A
公开(公告)日：2024-09-27
申请号：CN202410749626.6
申请日：2024-06-12
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司
Abstract: 本发明公开了一种改进RPA机器人的验证码自动化识别方法，该方法首先采集滑动验证码的真实图像，对图像缺口进行标注，保存后混合开源的滑动验证码数据集，得到训练数据集。其次在YOLOv8中构建自注意力层，将训练数据集作为输入，完成验证码自动化识别，训练后得到最初的滑动验证码识别模型。然后将最初的滑动验证码模型封装成插件，调用插件完成验证码背景信息解析，返回滑块与缺口之间的距离，完成验证识别。最后插件自动记录通过验证码的数据对，利用数据对分别对最初的滑动验证码识别模型做增量训练。本发明显著提升了目标检测算法的识别率，并通过自适应增量训练，调整模型结构。
-
公开(公告)号：CN118709835A
公开(公告)日：2024-09-27
申请号：CN202410763953.7
申请日：2024-06-14
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司
IPC: G06Q10/04 , G06F18/10 , G06F18/213 , G06F18/2431 , G06F18/27 , G06N3/045 , G06N3/049 , G06N3/0442 , G06N3/0464 , G06N3/0499 , G06N3/096 , G06N20/20 , G06F123/02
Abstract: 本发明公开了一种基于集成学习的业务流程多任务预测方法，该方法首先获取系统运行产生的业务流程历史日志数据，并提取用于预测任务的信息构建成原始数据集，针对不同的任务，对原始数据集进行预处理。其次构建由输入层、嵌入层、特征提取层、多任务输出层组成的多任务预测模型，使用预处理后的原始数据集作为多任务预测模型输入，得到各任务的预测结果，并计算损失，对多任务预测模型进行训练。最后将训练后的多任务预测模型进行在线部署，根据系统产生的业务流程日志进行流程任务预测。本发明利用集成学习的思想，以提高任务预测精度和泛化能力，为预测性业务流程监控领域的研究提供了方法支持。
-
公开(公告)号：CN118446899B
公开(公告)日：2024-08-30
申请号：CN202410897395.3
申请日：2024-07-05
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/045 , G06N3/096 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/82
Abstract: 本发明公开了基于层级感受野Transformer的图像超分辨率方法，该方法首先将低分辨率图像输入到浅层特征提取模块，通过卷积层提取得到浅层特征。其次将浅层特征输入到由若干个HRT模块级联而成的深层特征提取模块，得到深层特征。最后将浅层特征和深层特征分别输入图像重建模块，将两个重建模块的输出相加后得到高分辨率图像。本发明大幅提升了图像超分辨率重建的效果，具有广泛的应用前景和显著的实用价值。
-
公开(公告)号：CN118114096B
公开(公告)日：2025-05-02
申请号：CN202410238820.8
申请日：2024-03-04
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06N3/098
Abstract: 本发明公开了一种基于联邦学习的个性化半监督交通模式识别方法，该方法首先中央服务器生成初始化基本模型，并选择参与用户发送使用超网络生成的自动编码器。其次参与用户使用本地GPS轨迹数据训练自动编码器，返回给中央服务器，更新用户嵌入以及超网络参数，并得到潜在特征。然后中央服务器使用潜在特征训练基本模型，参与用户本地使用带标签GPS轨迹数据集以及无GPS轨迹标签数据集训练监督MLP模型以及半监督卷积自动编码器模型。最后将基本模型、半监督卷积自动编码器模型以及两者的混合的输出送入软投票器，得出交通方式。本发明解决了数据上传可能出现的数据泄露的以及中央服务器获取用户隐私的问题。
-
公开(公告)号：CN119578507B
公开(公告)日：2025-04-18
申请号：CN202510113751.2
申请日：2025-01-24
Applicant: 杭州电子科技大学
IPC: G06N3/096 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084 , G06V10/82 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/764 , G06N3/048
Abstract: 本发明公开了一种干扰生成对抗网络驱动的知识蒸馏方法，该方法首先获取由三通道RGB格式图像构成的图像分类数据集。其次构建干扰生成对抗网络AD‑GAN，包括教师模型、学生模型和干扰生成模型，三个模型输入均为图像分类数据集中的图像，教师和学生模型输出为图像类别预测的置信度向量，干扰生成模型的输出为带干扰的图像。最后对三个模型进行对抗训练，一个训练批次分为干扰生成模型训练阶段和学生模型蒸馏训练阶段，两者的训练分别使用独立的优化器，干扰生成模型作为对抗训练中的生成器，教师和学生模型共同作为判别器。本发明增强了学生模型的泛化能力和抗噪性能，为资源受限场景提供实用且高效的解决方案。
-
-
-
-
-
-
-
-
-
Search Results
210
records
(took 0.036 seconds)
