本发明公开了一种抗深度神经网络识别的不可见盲水印生成方法，包括，利用编码器将水印信息嵌入到载体图像中；利用目标分类器，引导编码器将水印信息嵌入到载体图像对抗特征区域，生成对抗水印图像；利用噪声层对对抗水印图像添加噪声生成噪声对抗水印图像；利用解码器将水印信息从噪声对抗水印图像中恢复；利用鉴别器来进行对抗训练使恢复水印信息的噪声对抗水印图像更逼真；本发明能够基于数字水印和对抗样本来为私有图像提供双重图像版权保护。
📄 2023103768591
📂 G06T1_00
👤 南京信息工程大学
📅 2023-04-11
本发明涉及一种基于深度神经网络的SAR图像舰船冰山检测分类方法，基于包含冰山目标标签、舰船目标标签的各幅海面区域SAR图像样本，结合包括图像特征提取网络、特征融合网络、以及回归分类器具体所构建的目标检测分类深度神经网络，通过网络训练，获得以海面区域SAR图像样本为输入，海面区域SAR图像样本中冰山目标标签、舰船目标标签、或者无冰山与舰船目标标签为输出的目标检测分类模型，用于准确实现关于舰船、冰山目标的检测分类，整个设计中，网络训练时间短、收敛速度快、准确率高，能有效提升海上态势感知能力。
📄 2023102575996
📂 G06V10_764
👤 南京信息工程大学
📅 2023-03-17
本发明公开了一种基于分布式深度神经网络模场识别的多模串扰分析方法，包括对所用到的分布式深度神经网络进行训练，在不同的光传输系统中，通过改变光信号的传播模式，得到不同的串扰信息；将串扰信息生成图像并输入分布式深度神经网络进行训练，得到了所需要的分布式深度神经网络模式串扰识别模型；将得到的串扰识别模型与不同的光传输系统结合，获得相对应的更快速、更精确的模式串扰信息。本发明可以提高目标识别的准确性和降低通信成本，与传统的图像识别技术相比，分布式深度神经网络提高了图像识别的精度、通信和延迟需求，同时获得较高的容错性和隐私性。
📄 2023106260849
📂 H04Q11_00
👤 南京信息工程大学
📅 2023-05-30
一种基于深度神经网络影视标签自动获取方法，包括以下步骤：步骤1：收集电影的台词，构建台词数据集；步骤2：收集电影原声，构建声音数据集；步骤3：在相关影视平台收集其所生成的标签，构建电影标签数据集；步骤4：构建基于电影台词的自动打标签模型；步骤5：采用共享节点的CNN-LSTM算法构建基于电影原声的自动打标签模型；步骤6：融合步骤4与步骤5所提及的两种模型。本发明提出一种基于深度神经网络影视标签自动获取方法，采用了以卷积神经网络和循环神经网络为代表的深度学习算法，主要针对电影，利用电影在时间上的相关性从电影的台词文本、音频信号等原始信息中提取出高层抽象属性。
📄 2019106275458
📂 G06F16_483
👤 浙江工业大学
📅 2019-07-12
一种基于深度神经网络的智能电网系统实时最优功率分配方法，先获取电网的发电参数，以提升发电效率，降低总发电代价为目标，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略；根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数。使用已完备的训练集训练深度神经网络模型直至验证集损失值趋于稳定；实时获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电负载。本发明降低计算资源占用，极大的降低服务时延，提高分配速率。该方法的辨识精度可以满足实际应用的要求，并且训练所需的相关参数可以通过对传统优化方法的计算获得。
📄 2019111780160
📂 H02J3_46
👤 浙江工业大学
📅 2019-11-27
一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，对采集到的图片进行数据增强预处理并划分为训练集和验证集；将VGG11网络的卷积部分作为Unet网络的特征提取部分，将训练集输入到特征提取部分；在特征提取过程中，每一层的输出结果一方面向更下层卷积，另一方面通过编码器特征融合模块获得更多语义信息；特征提取向下卷积结束，与编码器特征融合中通道数相同的尺度相同的对应输出拼接融合，每个解码器特征融合模块输出的结果通过卷积得到每个像素是否为目标像素的概率；把各个尺度的概率进行融合相加，得到最终输出概率；训练神经网络。本发明能够充分利用病变图像的语义信息和局部信息，最终实现病变图像的分割。
📄 2020100448263
📂 G06N3_04
👤 浙江工业大学
📅 2020-01-16
一种边‑云协同的深度神经网络模型训练方法，先由中心云训练得到一个普适化模型，随后将该模型迁移到边缘服务器上，边缘服务器对该普适化模型进行微调和再训练，微调的方式是冻结普适化模型除最后一层以外的所有神经网络层的参数，再修改最后一层全连接层的参数(主要通过修改神经元的个数实现)，然后以自身的个性化数据为训练数据集，再训练该普适化模型，得到一个能够表征当前场景个性化特点的且准确率更高的个性化DNN模型。本发明提升模型预测准确率。
📄 2021103068364
📂 G06F18_214
👤 浙江工业大学
📅 2021-03-23
一种基于深度神经网络的车辆轨迹预测方法，包括以下步骤：首先，在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互；其次，针对采集的相关信息，首先通过量化公式对路边单元与车载系统的方位角进行量化，其次通过自回归滑动平均法对加速度进行预测，最后利用深度神经网络进行轨迹预测；最后，将处理好的信息通过光缆传送给另外3个路边单元，以便于下一次与车载系统的信息交互。本发明提供了一种在智能网联交通系统下基于深度神经网络的车辆轨迹预测方法。
📄 201810947323X
📂 G08G1_01
👤 浙江工业大学
📅 2018-08-20
一种基于深度神经网络的连续搅拌釜式反应过程辨识方法，包括以下步骤：(1)获取连续搅拌釜式反应器运行过程中过程变量数据；(2)对采集到的过程变量数据进行数据预处理：首先需要对数据进行标准化处理；其次，选取时间滞后，并将过程变量整理成三维输入形式；最后，将数据分为训练集、验证集和测试集；(3)基于三维长短期记忆神经网络建立辨识模型并训练：利用记忆单元建立三维长短期记忆神经网络模型，确定网络结构和超参数；利用自适应矩估计算法在训练集上优化网络参数，并在验证集上选择网络模型的超参数，完成基于三维长短期记忆神经网络建立辨识模型并训练。本发明对过程状态进行在线监测，实现对产物浓度的精确辨识。
📄 2018106929467
📂 G06F19_00
👤 浙江工业大学
📅 2018-06-29
一种基于量化自适应卡尔曼滤波的车辆速度预测方法，包括以下步骤：首先，在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互；接着，针对采集的相关信息，首先通过量化公式对路边单元与车载系统的方位角进行量化，其次通过自回归滑动平均法对加速度进行预测，最后利用深度神经网络进行速度预测；最后，将处理好的信息通过光缆传送给其他3个路边单元，以便于下一次与车载系统的信息交互。本发明提供了一种在智能网联交通系统下基于深度神经网络的车辆速度预测方法。
📄 2018109473210
📂 G08G1_052
👤 浙江工业大学
📅 2018-08-20
本发明公开了一种基于深度神经网络的灵巧手抓持过程动力学模型搭建及训练方法，包括步骤1：灵巧手使用SAC算法策略#imgabs0#在环境内同抓持物体交互并训练，采集系统状态转移数据并放入样本缓存区；步骤2：设定模糊聚类的类别个数并对样本缓存区内状态转移数据进行模糊聚类；步骤3：搭建包含状态增量方向概率子网络模型#imgabs1#与状态增量增幅子网络模型#imgabs2#的灵巧手动力学模型f；步骤4：对模糊聚类的各类别依据隶属度生成样本采样概率，进行采样得到训练样本；步骤5：灵巧手动力学模型训练，并进行环境系统状态预测。本发明提高了动力学模型的精准度，减小了在动力学模型训练过程中局部过拟合现象，减小了动力学模型预测误差、提高了稳定性。
📄 202210017100X
📂 G05B13_04
👤 浙江工业大学
📅 2022-01-07
一种基于深度神经网络的心肌梗死心电图的筛查方法，包括以下步骤：步骤一，对原始心电图像进行预处理，去除网格框；步骤二，对步骤一中的图像进行中值滤波处理，消除去除网格框后留下椒盐噪点；步骤三，通过直方图均衡化方法增强对比度，缩放心电图将尺寸统一为224*224，并将数据归一化为[0,1]；步骤四，构建深度神经网络，并利用ECG训练集进行训练。得到能够诊断是否患有心肌梗死的二分类神经网络；步骤五，利用训练得到的深度神经网络对心电图心肌梗死进行辅助筛查。本发明可以根据心电图辅助判断是否是心肌梗死。
📄 2019102689454
📂 A61B5_0402
👤 浙江工业大学
📅 2019-04-04
柿子坊 · 知识产权运营
柿子坊知识产权运营平台