-
公开(公告)号：CN101551846A
公开(公告)日：2009-10-07
申请号：CN200910061814.5
申请日：2009-04-24
Applicant: 华中科技大学
Abstract: 本发明提供一种用于射频识别中间件的动态负载均衡方法，若本地中间件超载，则在与本地中间件有逻辑关系的读写器中，搜索标签采集速率与超载负载量最接近的读写器，将其与本地中间件的物理连接保持不变，其逻辑连接更新至其它的轻载中间件，同时将该读写器对应的ECSpec转移或者复制到同一轻载中间件中。本发明无需改变读写器物理连接，各中间件仅保存与之有逻辑连接的读写器对应的ECSpec文件，有效实现多个RFID中间件之间的动态负载均衡。
-
公开(公告)号：CN119048817A
公开(公告)日：2024-11-29
申请号：CN202411129020.9
申请日：2024-08-16
Applicant: 华中科技大学
IPC: G06V10/764 , G06V20/70 , G06V10/44
Abstract: 本发明公开了一种基于语义变换生成对抗图像的方法及装置，该方法包括：获取源模型、原始图像及其对应的类别标签；基于获取的属于类别标签的多张参考图像，建立数据分布；基于数据分布，对原始图像进行语义变换，得到多个语义增强图像；将多个语义增强图像输入源模型，计算平均梯度；基于平均梯度计算得到更新梯度；基于更新梯度更新原始图像并裁剪，得到对抗图像；基于对抗图像重新执行上述基于数据分布，对对抗图像进行语义变换，得到多个新的语义增强图像，并根据多个新的语义增强图像得到新的对抗图像的步骤，直至达到预设停止条件，得到优化对抗图像。该方法使用语义变换增加变换图像的多样性，从而提高对抗图像的迁移性。
-
公开(公告)号：CN115859170A
公开(公告)日：2023-03-28
申请号：CN202211595140.9
申请日：2022-12-13
Applicant: 华中科技大学
IPC: G06F18/241 , G06F18/214 , G06F21/56
Abstract: 本发明提出了一种恶意软件家族分类模型生成方法、装置，所述方法包括利用原始恶意软件家族中各样本的特征向量训练一个分类模型，并确定原始恶意软件家族中的代表样本，然后利用代表样本与新出现的恶意软件样本构建新的训练样本，利用训练样本更新所述分类模型得到新的恶意软件家族分类模型。本发明利用代表样本保留了原始恶意软件家族的分类知识，然后再吸纳新恶意软件家族的知识，既减小了恶意软件家族的样本数量，减少了计算开销，又使新的恶意软件家族分类模型不遗忘原始家族的分类知识，能适应恶意软件家族不断增多的情况，并且恶意样本分类准确性高。
-
公开(公告)号：CN113204766B
公开(公告)日：2022-06-17
申请号：CN202110569914.X
申请日：2021-05-25
Applicant: 华中科技大学
IPC: G06F21/56 , G06K9/62 , G06N3/04 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种分布式的神经网络部署方法、电子设备与存储介质，属于神经网络模型技术领域。包括以下步骤：用户端将输入嵌入到载体图片中，再送入公开的分类任务模型得到伪分类结果，以由服务器端的结果映射网络将所述伪分类结果进行映射，得到最终的分类结果返回给用户端；其中，所述载体图片和所述公开分类任务模型是由服务器预先分配给用户端；所述载体图片由自然图片叠加扰动P而成；所述公开分类任务模型是任意的开放分类任务神经网络模型。本发明既保证了用户的隐私，具有高度的安全性，又有效保护了模型参数，防御了对抗样本攻击与模型窃取攻击，尽可能减小了服务器的计算压力与通讯压力。
-
公开(公告)号：CN112749391A
公开(公告)日：2021-05-04
申请号：CN202011630878.5
申请日：2020-12-31
Applicant: 华中科技大学
Abstract: 本发明公开了一种恶意软件对抗样本的检测方法、装置和电子设备，属于安卓软件生态领域，所述包括：S1：从各个正常APK样本中提取多粒度函数调用图；S2：基于正常APK样本为每个粒度的函数调用图训练对应的变分图自编码器，变分图自编码器包括编码器和解码器；S3：利用变分图自编码器为每个粒度构造对抗样本检测模型；对抗样本检测模型用于从各个粒度学习APP正常样本的数据分布；S4：将检测样本输入训练完成后对抗样本检测模型，根据编码器输出的隐变量以及解码器对应的重构结果判断检测结果。本发明利用正常样本进行对抗样本检测模型训练，将一个粒度的恶意软件检测提升为多个粒度的恶意软件检测，能够提高恶意软件检测准确性。
-
Patent Agency Ranking
公开(公告)号：CN110570942A
公开(公告)日：2019-12-13
申请号：CN201910684901.X
申请日：2019-07-26
Applicant: 华中科技大学
Abstract: 本发明公开了一种智能就医方法及相应的装置，该智能就医方法包括：获取就医人员的证件信息，根据就医人员的证件信息确定就医人员的证件人脸图像；采集就医人员的现场人脸图像；在现场人脸图像与证件人脸图像一致时，根据就医人员的就医请求进行挂号，以依据挂号顺序进行就医；基于就医进度，依据就医人员的现场人脸图像或证件信息响应相应的就医操作，其中，就医操作包括开处方请求、缴费请求和取药请求。本发明的智能就医方法可以对就医人员进行实名制认证，杜绝非正常的挂号，保证医院资源能够得到有效利用，而且在后续的就诊流程中，依据就医人员的身份响应就医操作，能够节省医院的人力成本，提高效率。
-
公开(公告)号：CN109919434A
公开(公告)日：2019-06-21
申请号：CN201910083327.2
申请日：2019-01-28
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于深度学习的教师课堂表现智能评价方法，包括：对待评价教师的授课视频，分别进行面部表情识别、语音识别和行为识别；将待评价教师面部表情识别、语音识别和行为识别获得的向量信息进行整合，得到待评价教师在该课堂上的情感状态向量和授课状态向量；基于专家标注评分的数据集，训练用于评价的深度学习网络；将待评价教师在该课堂上的情感状态向量和授课状态向量输入到训练好的深度学习网络，得到该教师课堂表现的评价结果。本发明通过结合面目表情和肢体动作进行识别，实现了简单客观地对教师课堂表现进行评价，在识别过程中引入语音信息，通过图像和语音的结合来增加结果的准确性，减轻了督查组的压力，评价结果更加真实客观。
-
公开(公告)号：CN107066548A
公开(公告)日：2017-08-18
申请号：CN201710170129.0
申请日：2017-03-21
Applicant: 华中科技大学
Abstract: 一种双维度分类提取网页链接的方法，构建了对板块标题进行分类的贝叶斯分类器以及针对链接标题进行匹配的卷积神经网络，并将两种分类器有机结合起来，提高了网页中与主题相关链接提取的准确度，改变了以往需要设计网站特征模板和用户填写模板的方式，通过程序智能地发现并自动地提取感兴趣的链接，无需设计网站特征模板，也无需用户填写模板，节省了大量的人力物力，借助于机器学习的方式，提高了处理速度，能够适应网页的结构或样式的频繁更新，并提高了获取主题相关链接的准确度。
-
公开(公告)号：CN106682118A
公开(公告)日：2017-05-17
申请号：CN201611123200.1
申请日：2016-12-08
Applicant: 华中科技大学
CPC classification number: G06F16/955 , G06F16/951 , G06K9/6269 , G06Q50/01
Abstract: 基于网络爬虫和利用机器学习的社交网站虚假粉丝检测方法，利用网络爬虫自动获取微博或其它社交网络用户数据，同时还具有模拟登陆功能，从网络爬虫提取的数据中选取出特征字段，得到训练样本和测试样本，并采用经典的SVM算法的分类器，随机从训练样本中抽取多组数据导入到分类器中，让分类器进行机器学习，形成训练分类模型，再利用测试样本对分类模型进行测试，通过不断调整分类模型的各设定参数来达到最佳的交叉验证精度，最后利用最佳分类模型对微博或其它社交网络用户进行检测，对虚假粉丝的检测精确度得到了极大地提高，而且运算量较小，处理速度快，数据在运算过程中不容易受干扰，特别适合于海量数据处理。
-
公开(公告)号：CN103957521A
公开(公告)日：2014-07-30
申请号：CN201410143573.X
申请日：2014-04-09
Applicant: 华中科技大学
Abstract: 本发明提供了一种基于NFC技术的小区访客认证方法，包括：访客客户端向户主发送访问请求；户主客户端接收访问请求，并接受户主做出的反馈信息；户主客户端获取户主手机信息，接收户主输入的户主身份信息，并将所述信息发送给访客客户端；访客客户端接收户主手机信息和户主身份信息，将所述信息通过NFC发送给保安客户端；保安客户端接收户主手机信息和户主身份信息，并根据所述信息进行身份核对，判断是否允许访客进入小区。本发明还提供了相应的系统。本发明可以简化访客信息登记步骤，无需保安联系户主进行认证，也无需访客与户主进行通话等验证，提高小区保安的工作效率，并且加强访客及户主信息的管理，提高信息管理的安全性。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.02 seconds)
