公开(公告)号：CN114140826B

公开(公告)日：2024-05-31

申请号：CN202111468443.X

申请日：2021-12-03

Applicant: 北京交通大学

Inventor： 金一 ,  李雪 ,  姜天姣 ,  王涛 ,  李浥东 ,  冯松鹤 ,  郎丛妍

IPC: G06V40/10 ,  G06V10/32 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种基于相机特征分离的目标重识别方法，包括如下步骤：步骤1：对数据进行预处理；步骤2：通过编码器提取样本特征，基于特征聚类生成伪标签；步骤3：基于注意力模块分离Feature Map；步骤4：向前传播得到目标和相机分类结果；步骤5：计算损失函数；步骤6：对模型进行优化计算；步骤7：得到测试模型的效果；步骤8：得到无监督目标重识别的解决方案；本申请相比于现有的消除相机影响的无监督目标重识别方法，用注意力模块直接分离相机特征更加直接，比二阶段方法更加简单；基于类别下相机中心的四元中心损失可以避免基于样本的度量损失的训练过程不稳定的现象。

公开(公告)号：CN117010026B

公开(公告)日：2024-04-09

申请号：CN202310797647.0

申请日：2023-06-30

Applicant: 北京交通大学

Inventor： 王伟 ,  谷裕 ,  刘鹏睿 ,  吕晓婷 ,  郑榕隆 ,  吴思齐 ,  祝咏升 ,  刘敬楷 ,  许向蕊 ,  陈政 ,  段莉 ,  李超 ,  金一 ,  刘吉强

IPC: G06F21/64 ,  G06F21/60 ,  G06F21/32 ,  G06N5/022 ,  G06N20/00

Abstract: 本发明提供了一种基于联邦知识网络的异常人物关系检测方法。该方法包括：可信第三方生成公钥、私钥和计算密钥，各个社区监控终端提取图像中的人脸特征，将利用公钥加密后的人脸特征对发送给中心服务器，中心服务器在密文条件下计算人脸特征对之间的欧式距离，利用可信第三方构建全局人物关系知识网络；社区监控终端捕获图像并检测亲密关系，将加密的待查询人脸特征对发送给服务器，服务器计算待查询人脸特征对与全局人物关系知识网络中人脸特征对之间的距离，利用可信第三方判断是否存在人员异常关系。本发明方法通过密钥分发、知识网络构建和异常关系检测实现了有效的关系识别和异常监测，有助于保护社区监控终端成员的安全与隐私。

公开(公告)号：CN116189281B

公开(公告)日：2024-04-02

申请号：CN202211595034.0

申请日：2022-12-13

Applicant: 北京交通大学 ,  中移雄安信息通信科技有限公司 ,  中移系统集成有限公司

Inventor： 田卉 ,  金一 ,  贾万豪 ,  王旭 ,  李浥东

IPC: G06V40/20 ,  G06V10/764 ,  G06V10/82 ,  G06V10/778 ,  G06V10/80 ,  G06N3/082 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/045

Abstract: 本发明提供基于时空自适应融合的端到端人体行为分类方法及系统，属于计算机识别技术领域，获取待分类行为的多个图像；利用基于时空自适应融合的端到端人体行为分类模型对多个图像进行处理，得到行为特征图像，基于时空自适应融合的端到端人体行为分类模型根据基于时空自适应融合的端到端人体行为分类模型训练方法训练得到。本发明在网络结构上控制了计算复杂度和参数量，后期轻量化过程减少了特征在时间和空间维度上的关键信息丢失，保证模型在性能和效率之间的平衡；针对时间维度上的特征通道自适应剪枝，根据情况挑选保留、丢弃和复用的通道，减少了参数量；针对不同行为对象关系建模的自适应剪枝，减少模型在空间维度上的计算复杂度和参数量。

公开(公告)号：CN111814584B

公开(公告)日：2024-03-12

申请号：CN202010560236.6

申请日：2020-06-18

Applicant: 北京交通大学

Inventor： 金一 ,  李晨宁 ,  李璇 ,  李浥东 ,  郎丛妍 ,  冯松鹤

IPC: G06V20/56 ,  G06V10/40 ,  G06V10/774 ,  G06V10/82 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明提供了一种基于多中心度量损失的多视角环境下车辆重识别方法。该方法包括：获取包含车辆身份标签的车辆样本图像，经过空间变换网络对图像进行仿射变换后，将图像经过深度卷积神经网络进行特征提取，得到图像的特征向量；根据图像的特征向量分别计算出分类任务损失和多中心度量学习损失并相加，得到综合损失的值；根据综合损失的值计算深度卷积神经网络的参数和视角中心向量的梯度，得到训练好的深度卷积神经网络模型；利用训练好的深度卷积神经网络模型对车辆图像进行特征提取和身份识别处理。本发明使用空间变换网络对图像进行仿射变换，采用K‑means聚类的方法的估计视角信息，可以增加车辆视角估计的准确性，提高车辆重识别的准确率。

公开(公告)号：CN111581468B

公开(公告)日：2024-03-01

申请号：CN202010412161.7

申请日：2020-05-15

Applicant: 北京交通大学

Inventor： 冯松鹤 ,  吕庚育 ,  李浥东 ,  赵建国 ,  金一

IPC: G06F16/906 ,  G06N20/00

Abstract: 本发明提供了一种基于噪声容忍的偏多标记学习方法。该方法包括构建训练数据的特征矩阵X、可观测标签矩阵Y和特征填充矩阵E；根据特征矩阵X、可观测标签矩阵Y和特征填充矩阵E挖掘特征空间和标记空间一致性信息，构建基于噪声的偏多标记学习模型，通过选择迭代优化方法对偏多标记学习模型进行训练，得到多标签分类器V；将未知样本输入到多标签分类器V，多标签分类器V输出所述未知样本的标签信息。本发明提出的基于噪声容忍的偏标记学习方法，该方法不进行标记消歧，而是补充样本缺失的特征信息，达到噪声标记能够参与模型训练过程的目的。该算法充分利用缺失特征信息的低秩性，辅助算法学习更鲁棒的分类模型，实现对未知样本的准确分类。

公开(公告)号：CN113870160B

公开(公告)日：2024-02-27

申请号：CN202111060998.0

申请日：2021-09-10

Applicant: 北京交通大学

Inventor： 王旭 ,  曾宇乔 ,  金一 ,  岑翼刚 ,  孙宇霄 ,  李浥东 ,  郎丛妍 ,  王涛 ,  冯松鹤

IPC: G06T5/50 ,  G06T5/60 ,  G06T17/00 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种基于变换器神经网络的点云数据处理方法。该方法包括：构建三维物体对称检测模型，通过检测物体对称面/轴获取输入的点云数据的对称点，将点云数据的投影平面转换为对称结构的旋转平移操作，得到多组数据据增强后的点云图数据；通过变换器网络模型提取多组数据据增强后的点云图数据的全局特征信息和局部特征信息，得到下采样后的点云数据；结合不同的目标任务需求，构建任务驱动的任务网络模型，将下采样后的点云数据输入到任务网络模型，得到目标任务结果。本发明有效结合三维物体对称检测模型与变换器网络模型，能够在提高下采样模型鲁棒性的同时，进而具有最小化目标任务精度损失的能力，提升下采样规模

公开(公告)号：CN116306910B

公开(公告)日：2023-10-03

申请号：CN202211089847.2

申请日：2022-09-07

Applicant: 北京交通大学

Inventor： 李浥东 ,  陈颢瑜 ,  陈乃月 ,  李强 ,  贾晓丰 ,  金一

IPC: G06N3/098 ,  H04L67/10 ,  G06F21/62 ,  H04L9/40

Abstract: 本发明提供了一种基于联邦节点贡献的公平性隐私计算方法。该方法包括：客户端使用本地数据集训练本地模型，服务器端额外收集根数据集以便对客户端的贡献进行评估；服务器计算每个客户端的贡献值，根据客户端的贡献值评估客户端的节点信誉，按照比例公平聚合各个客户端的参数更新；各个客户端根据自身的训练贡献从服务器端下载相应的全局模型作为计算回报，进行下一轮本地训练更新。本发明在层级上比较了参与端本地模型每一层与全局模型对应层之间的差异性，根据每个客户端的实际贡献为每个客户端分配与节点信誉相匹配的全局模型参数，能够促进联邦节点在全局聚合和计算回报过程中的公平性。

公开(公告)号：CN116595537A

公开(公告)日：2023-08-15

申请号：CN202310569948.8

申请日：2023-05-19

Applicant: 北京交通大学

Inventor： 段莉 ,  杨柳 ,  王伟 ,  李超 ,  金一 ,  刘吉强

IPC: G06F21/57 ,  G06F40/289 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0475 ,  G06N3/048 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/094

Abstract: 本发明提供了一种基于多模态特征的生成式智能合约的漏洞检测方法。该方法包括：获取进行了标签分类的智能合约数据集；提取智能合约的多模态特征，得到智能合约的多模态特征向量；利用智能合约的多模态特征向量和VAE‑GAN生成模型生成未知漏洞特征，构建含有未知漏洞特征的综合数据集；使用神经网络模型构建智能合约漏洞检测模型，利用含有未知漏洞特征的综合数据集训练智能合约漏洞检测模型，利用训练好的智能合约漏洞检测模型对待检测的智能合约进行漏洞检测。本发明方法通过特征融合使智能合约语义信息更加丰富，通过大量智能合约样本训练神经网络模型自动挖掘源码及操作码中的多模态特征，避免了人工定义的主观性。

公开(公告)号：CN111814854B

公开(公告)日：2023-07-28

申请号：CN202010597480.X

申请日：2020-06-28

Applicant: 北京交通大学

Inventor： 金一 ,  高雅君 ,  黄杨茹 ,  李浥东 ,  王涛

IPC: G06V10/774 ,  G06V10/776 ,  G06V10/82 ,  G06V10/52 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/08 ,  G06N3/084

Abstract: 本发明提供了一种无监督域适应的目标重识别方法，该方法包括：构建多尺度域适应注意力学习网络；利用源域数据集和目标域数据集对多尺度域适应注意力学习网络进行训练，计算多尺度域适应注意力学习网络的多任务损失，在多任务损失的值收敛后，得到训练好的多尺度域适应注意力学习网络；利用训练好的多尺度域适应注意力学习网络构建无监督域适应的目标重识别模型，利用无监督域适应的目标重识别模型对输入的图像进行目标重识别处理。本发明的方法通过将特征图分割成与目标相关的特征图和与域相关特征图来减少域差异，将特征图映射在不同尺度下，在多个尺度下进行分割，可以学习到仅仅与域相关的、多尺度的特征表示，从而达到了最优的性能。

公开(公告)号：CN115907029B

公开(公告)日：2023-07-21

申请号：CN202211391958.9

申请日：2022-11-08

Applicant: 北京交通大学

Inventor： 王伟 ,  刘敬楷 ,  吕晓婷 ,  李超 ,  段莉 ,  金一 ,  李强 ,  刘吉强 ,  刘鹏睿 ,  许向蕊 ,  曹鸿博 ,  李珊

IPC: H04L9/40 ,  G06F21/55 ,  G06N20/00

Abstract: 本发明提供一种面向联邦学习投毒攻击的防御方法及系统，属于网络安全技术领域，在每轮联邦训练开始阶段将全局模型传输给各个参与方；其中，在第一轮联邦训练时初始化全局模型；利用接收到的参数更新后的全局模型，聚合新的全局模型；其中，参与方基于本地数据和初始化全局模型进行规定轮次的本地训练，进行全局模型参数的更新。本发明计算每一层模型更新的偏差和整体模型更新的偏差，将超过阈值的模型更新偏差的数量作为异常得分，筛选异常得分最小的参与方的模型更新进行聚合，实现了比仅考虑全部参数的距离更细粒度的筛选，筛选结果的数量基于更新参数的异常程度，保证了模型的收敛速度和准确率，同时能有效地应对目标性和非目标性的投毒攻击。