-
公开(公告)号：CN113255701A
公开(公告)日：2021-08-13
申请号：CN202110700741.0
申请日：2021-06-24
Applicant: 军事科学院系统工程研究院网络信息研究所
Abstract: 本发明提出一种基于绝对‑相对学习架构的小样本学习方法和系统，包括：调用表征提取模块，对训练集中的各个图像样本进行表征提取，以获得各个图像样本的特征向量；调用绝对学习模块，对各个图像样本的特征向量进行训练，以确定各个图像样本基于类别的第一预测结果和基于语义的第二预测结果；将每两个图像样本的特征向量组合成一组样本特征对，将每一组样本特征对中的两个特征向量拼接为一组合成向量；调用相对学习模块，对样本特征对进行训练，以确定每一组样本特征对中的两个特征向量基于类别的第一相似度和基于语义的第二相似度；根据第一预测结果、第二预测结果、第一相似度、第二相似度来计算模型的损失函数，以完成对模型的训练。
-
公开(公告)号：CN114387524B
公开(公告)日：2022-06-03
申请号：CN202210292031.3
申请日：2022-03-24
Applicant: 军事科学院系统工程研究院网络信息研究所
IPC: G06V20/10 , G06V10/74 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出基于多层级二阶表征的小样本学习的图像识别方法和系统。所述方法利用所述训练阶段的支撑图像集和所述训练阶段的查询图像集来训练图像识别分类器，经训练的所述图像识别分类器用于对所述测试阶段的查询图像集中的图像进行识别分类，以确定其在所述测试阶段的支撑图像集中所属的类别；所述图像识别分类器包含表征提取模块和关系度量模块，所述表征提取模块包含串联的M个网络卷积块，以及分别与所述M个网络卷积块对应相连的M个二阶池化层，所述关系度量模块包含分别与所述M个二阶池化层对应相连的M个基础学习器，以及汇总所述M个基础学习器的学习结果的结果预测单元。
-
公开(公告)号：CN114387524A
公开(公告)日：2022-04-22
申请号：CN202210292031.3
申请日：2022-03-24
Applicant: 军事科学院系统工程研究院网络信息研究所
IPC: G06V20/10 , G06V10/74 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出基于多层级二阶表征的小样本学习的图像识别方法和系统。所述方法利用所述训练阶段的支撑图像集和所述训练阶段的查询图像集来训练图像识别分类器，经训练的所述图像识别分类器用于对所述测试阶段的查询图像集中的图像进行识别分类，以确定其在所述测试阶段的支撑图像集中所属的类别；所述图像识别分类器包含表征提取模块和关系度量模块，所述表征提取模块包含串联的M个网络卷积块，以及分别与所述M个网络卷积块对应相连的M个二阶池化层，所述关系度量模块包含分别与所述M个二阶池化层对应相连的M个基础学习器，以及汇总所述M个基础学习器的学习结果的结果预测单元。
-
公开(公告)号：CN113919239A
公开(公告)日：2022-01-11
申请号：CN202111526630.9
申请日：2021-12-15
Applicant: 军事科学院系统工程研究院网络信息研究所
IPC: G06F30/27 , G06F17/16 , G06K9/62 , G06V10/762 , G06V10/774 , G06V10/764
Abstract: 本发明提出一种基于时空特征融合的内部威胁智能检测方法和系统。方法利用用户行为的时间特性和空间特性来确定所述用户行为的异常程度，具体包括：步骤S1、调用基础特征提取模块，提取所述用户行为的基础特征并对所述基础特征进行编码；步骤S2、调用时间特性分析模块，构建用户行为混合矩阵以训练时间表征模型；步骤S3、调用空间特性分析模块，获取属于同一角色的用户的经编码的基础特征以训练空间共用组模型；步骤S4、调用异常整合分析模块，计算所述用户行为的异常程度。
-
-
-
Search Results
14
records
(took 0.04 seconds)
