-
公开(公告)号：CN115455408B
公开(公告)日：2023-04-07
申请号：CN202211117994.6
申请日：2022-09-14
Applicant: 中国电子科技集团公司第十五研究所 , 北京邮电大学
IPC: G06F21/55 , G06V10/764 , G06V10/82 , G06N3/08 , G06N3/0464 , G06N3/048 , H04L9/40
Abstract: 本发明公开了一种网络空间推演与安全评估方法及装置，该方法通过将网络流处理为网络流图像，把传统网络流分类重新表述为图像分类；通过将具有注意力机制的卷积神经网络应用于此图像分类，增强了模型决策的视觉解释性；通过采用多任务分支网络模型同时预测网络流的二分类输出和多分类输出，利用学习到的特征，二分类可检测良性流或攻击流，多分类可预测具体的网络流入侵类别，提高了多分类任务的性能，解决分类不平衡、准确性较差问题。可见，通过结合注意力机制和多任务学习策略，在提升网络入侵检测性能的同时，实现了神经网络分类的透明性和解释性。
-
公开(公告)号：CN112446342B
公开(公告)日：2022-06-24
申请号：CN202011415820.9
申请日：2020-12-07
Applicant: 北京邮电大学
IPC: G06V40/20 , G06V20/40 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种关键帧识别模型训练方法、识别方法及装置，所述训练方法构建了新的初始网络模型结构，所述初始网络模型中，采用预设卷积神经网络模型提取连续图像中各帧的图像特征并输入至长短时记忆模块，将所述长短时记忆模块的输出向量作为全连接层的输入，所述全连接层输出连续图像中每一帧属于各关键帧的概率。初始网络模型的前半部分基于卷积神经网路提取图像特征，能够获得更多的语义信息。后半部分使用长短时记忆模块学习连续图像之间的关系，从而能够提取帧间关系特征，实现更高精度的动作识别。同时，基于卷积神经网络与长短时记忆模块的组合，使参数量较小，维持较低的时间复杂度，能够极大节约算力。
-
公开(公告)号：CN113255479A
公开(公告)日：2021-08-13
申请号：CN202110507842.6
申请日：2021-05-10
Applicant: 北京邮电大学
Abstract: 本发明提供一种轻量化人体姿态识别模型训练方法、动作切分方法及装置，所述轻量化人体姿态识别模型训练方法通过推理优化器对训练好的大型人体姿态识别模型进行轻量化部署，通过对模型精度进行压缩，在保证精度的同时，极大提高了算法运行的效率。进一步的，所述动作切分方法基于滑窗提取多个候选视频段，基于轻量化的人体姿态识别模型获取各候选视频段中每一帧图像中人体对象的评估姿态得到相应的候选序列，利用动态时间规划算法计算候选序列与标准序列的差距，从而对实时产生的视频实现精确高效的动作切分，极大提升了泛化能力。
-
公开(公告)号：CN112446342A
公开(公告)日：2021-03-05
申请号：CN202011415820.9
申请日：2020-12-07
Applicant: 北京邮电大学
Abstract: 本发明提供一种关键帧识别模型训练方法、识别方法及装置，所述训练方法构建了新的初始网络模型结构，所述初始网络模型中，采用预设卷积神经网络模型提取连续图像中各帧的图像特征并输入至长短时记忆模块，将所述长短时记忆模块的输出向量作为全连接层的输入，所述全连接层输出连续图像中每一帧属于各关键帧的概率。初始网络模型的前半部分基于卷积神经网路提取图像特征，能够获得更多的语义信息。后半部分使用长短时记忆模块学习连续图像之间的关系，从而能够提取帧间关系特征，实现更高精度的动作识别。同时，基于卷积神经网络与长短时记忆模块的组合，使参数量较小，维持较低的时间复杂度，能够极大节约算力。
-
公开(公告)号：CN106982142A
公开(公告)日：2017-07-25
申请号：CN201710241170.2
申请日：2017-04-13
Applicant: 北京邮电大学
IPC: H04L12/24
Abstract: 本发明实施例提供了一种确定拓扑网络中关键节点的方法及装置，方法包括：初始化拓扑网络中各节点的参数值；将与第一节点连接的度值为1的各节点合并至该第一节点，获得第二节点,并更新第二节点的参数值，直至当前拓扑网络中不存在度值为1的节点；将包含两个节点的节点组确定为当前节点组；合并该当前节点组中的节点，获得第三节点并更新第三节点的参数值；在当前节点组中的节点数量达到预设阈值时，将当前拓扑网络中第一参数值最大的预设数量个节点确定为关键节点；未达到时，将比当前节点组多一个节点的节点组确定为当前节点组，执行合并节点组的步骤。应用本发明实施例，可以更加准确的确定出拓扑网络中的关键节点。
-
Patent Agency Ranking
公开(公告)号：CN118262264A
公开(公告)日：2024-06-28
申请号：CN202410128441.3
申请日：2024-01-30
Applicant: 北京邮电大学
IPC: G06V20/40 , G06V40/20 , G06V10/82 , G06N3/0464 , G06V10/84
Abstract: 本申请提供一种视频动作分割与评估方法，所述方法包括：采用骨架网络对包含多个动作的目标视频进行特征提取，得到视频特征；将所述视频特征输入用于提取时间置信度特征的第一卷积网络以得到时间置信度图；将所述视频特征输入用于提取边界置信度特征的第二卷积网络以得到边界置信度图；基于所述时间置信度图和边界置信度图对所述目标视频进行分割，得到多个子动作视频特征；基于全连接层和softmax层得到各个所述子动作视频特征各自对应的特征得分集；基于高斯函数和各个所述特征得分集确定各个所述子动作视频特征的动作评估得分。本申请能够有效提高视频动作分割的普适性、准确性差以及提升分割效率。
-
公开(公告)号：CN116886637A
公开(公告)日：2023-10-13
申请号：CN202311133687.1
申请日：2023-09-05
Applicant: 北京邮电大学
IPC: H04L47/2441 , H04L9/40 , G06F18/24 , G06N5/02
Abstract: 本发明提供一种基于图积分的单特征加密流检测方法及系统，所述方法的步骤包括：获取流量信息中的多个数据包，基于数据包的五元组信息将多个数据包分为多个数据流；获取数据流中数据包的第一特征值，基于数据包为上行数据包或下行数据包为第一特征值赋予第一标记或第二标记，得到第二特征值；将数据流中的第二特征值构建为特征序列，并构建上行流量交互图和下行流量交互图；基于上行流量交互图和中下行流量交互图节点的节点属性，对上行流量交互图和下行流量交互图进行图积分，得到上行流量积分图和下行流量积分图；将上行流量积分图和下行流量积分图进行拼接得到联合积分图，基于将联合积分图输入到预设的神经网络分类模型得到检测结果。
-
公开(公告)号：CN116599689A
公开(公告)日：2023-08-15
申请号：CN202310307306.0
申请日：2023-03-27
Applicant: 北京邮电大学 , 中国电子科技集团公司第十五研究所
IPC: H04L9/40 , H04L47/2441
Abstract: 本申请提供一种网络流量数据分类模型训练方法、分类方法及训练装置，所述方法包括：采用不同的特征提取方式提取历史网络流量数据集中的各个数据样本分别对应的基础特征、统计特征和变换特征；将各个所述数据样本的所述基础特征、统计特征和变换特征均进行融合并转换为表征矩阵；基于各个所述数据样本及对应的表征矩阵训练预设的分类器，以将该分类器训练为用于输出各个所述数据样本对应的网络流量组分类结果的网络流量数据分类模型。本申请能够有效提升网络流量分类的全面性和精确性。
-
公开(公告)号：CN116366291A
公开(公告)日：2023-06-30
申请号：CN202310164016.5
申请日：2023-02-24
Applicant: 北京邮电大学 , 中国电子科技集团公司第十五研究所
Abstract: 本申请提供一种信流元数据生成方法及装置，所述方法包括：获取用户自预设的多模式信流模板中选取的当前的目标信流模板；基于所述目标信流模板，对原始信流数据对应的各个特征数据和各个负载数据进行随机重组，生成对应的信流元数据，其中，所述特征数据和负载数据预先自所述原始信流数据中提取，且所述负载数据为经对所述原始信流数据的协议字段剪切后获取的数据。本申请能够直接生成网络流数据，同时能够实现网络流数据真实传输，提高可传输性。
-
公开(公告)号：CN115455408A
公开(公告)日：2022-12-09
申请号：CN202211117994.6
申请日：2022-09-14
Applicant: 中国电子科技集团公司第十五研究所 , 北京邮电大学
Abstract: 本发明公开了一种网络空间推演与安全评估方法及装置，该方法通过将网络流处理为网络流图像，把传统网络流分类重新表述为图像分类；通过将具有注意力机制的卷积神经网络应用于此图像分类，增强了模型决策的视觉解释性；通过采用多任务分支网络模型同时预测网络流的二分类输出和多分类输出，利用学习到的特征，二分类可检测良性流或攻击流，多分类可预测具体的网络流入侵类别，提高了多分类任务的性能，解决分类不平衡、准确性较差问题。可见，通过结合注意力机制和多任务学习策略，在提升网络入侵检测性能的同时，实现了神经网络分类的透明性和解释性。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.074 seconds)
