-
公开(公告)号：CN111191717B
公开(公告)日：2022-05-10
申请号：CN201911389624.6
申请日：2019-12-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于隐空间聚类的黑盒对抗样本生成算法，包括如下步骤：步骤1，利用卷积自编码器提取图像样本的特征表示；步骤2，当需要被攻击模型产生误分类时，利用图像样本的特征表示进行误分类对抗样本生成算法，得到对抗样本；步骤3，当需要对被攻击模型进行目标对抗时，利用图像样本的特征表示进行目标对抗样本生成算法，得到对抗样本。本发明通过采用卷积自编码器提取图像样本的特征表示，从而实现隐空间聚类，并且不需要了解目标模型的结构，实现黑盒对抗样本生成算法。
-
公开(公告)号：CN109829299B
公开(公告)日：2022-05-10
申请号：CN201811439938.8
申请日：2018-11-29
Applicant: 电子科技大学
Abstract: 本发明公布了一种基于深度自编码器的未知攻击检测方案，通过对所有攻击类型进行一定的语义描述，语义描述基于外部文本数据进行标准化的语义文本提取，并进行自然语言处理形成语义特征描述向量，语义特征空间是所有特征的语义特征描述向量，最终通过攻击数据集训练到语义特征的深度自编码模型。自编码模型获得隐层输出，即训练集数据到语义特征的映射模型，新型攻击的数据特征通过自编码模型得到新型攻击的语义特征，并与语义特征空间进行比较，通过向量相似度的计算，得到新型攻击最接近的攻击类型从而达到预测新型攻击的目的。本发明适用于未知攻击检测，能够对新型攻击得到较为准确的识别，从而便于进行后续快速检测和拦截。
-
公开(公告)号：CN113076962A
公开(公告)日：2021-07-06
申请号：CN202110528406.7
申请日：2021-05-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于可微神经网络搜索技术的多尺度目标检测方法，针对不同的数据以及应用场景不需要通过大量的人力来改进已有模型使其满足性能要求，而是通过神经网络结构搜索技术来自动搜索出一个较为理想的网络模型，同时在搜索过程中，考虑了多尺度目标检测，使得搜索出的模型具有良好的检测效果。
-
Patent Agency Ranking
公开(公告)号：CN111666872A
公开(公告)日：2020-09-15
申请号：CN202010500433.9
申请日：2020-06-04
Applicant: 电子科技大学
Abstract: 本发明公开了一种数据不平衡下的高效行为识别方法，包括如下步骤：步骤1，根据样本数据量将样本划分为两个类别，然后采用随机均分算法重新构建样本集，得到数据量平衡的样本集D1和D2；步骤2，将样本集D1和D2分别划分训练集和测试集；步骤3，构建两个基础网络模型；步骤4，利用样本集D1和D2的训练集训练两个基础网络模型；步骤5，利用训练好的两个基础网络模型对样本集D1和D2的测试集进行预测。本发明中通过样本划分，并对两个基础网络模型单独进行训练，得到两个在数据更为均衡的情况下完整学习了小类别数据集的SSD模型，能够在现有模型基础上提升少数类的识别率。
-
公开(公告)号：CN111652124A
公开(公告)日：2020-09-11
申请号：CN202010488680.1
申请日：2020-06-02
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于图卷积网络的人体行为识别模型的构建方法，包括如下步骤：步骤1，骨架序列获取并预处理；步骤2，构造表示所述骨架序列的时空图；步骤3，基于所述时空图构建三流图卷积网络；所述三流图卷积网络包括三个分别用于对输入的时空图进行关节点、骨骼和骨骼运动三种信息的建模的网络，以及三个对应的图卷积网络，每个图卷积网络的输出进行融合作为三流图卷积网络的输出；步骤4，将步骤1得到的骨架序列经过步骤2转换为时空图后，输入三流图卷积网络进行训练，得到人体行为识别模型。本发明通过时空图计算关节点、骨骼和骨骼运动三种信息用于训练模型，以此使用更丰富的骨架信息进行动作识别，显著的提高了识别性能。
-
公开(公告)号：CN111104982A
公开(公告)日：2020-05-05
申请号：CN201911322822.0
申请日：2019-12-20
Applicant: 电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种标签无关的跨任务对抗样本生成方法，包括如下步骤：步骤1，构建替代模型：获取纯净样本集的标签集，并利用纯净样本集和标签集训练得到目标模型的替代模型；步骤2，生成对抗样本：将纯净样本集输入替代模型中，获取纯净样本集中每个样本在替代模型中的特征表示，并利用特征表示通过计算标准差计算得到每个样本的对抗损失，再利用对抗损失通过计算梯度更新每个样本，对纯净样本集中的每个样本在重复执行步骤2若干次后得到纯净样本集的对抗样本集。通过本发明的标签无关的跨任务对抗样本生成方法，生成的对抗样本具有可转移性、高对抗性、任务无关性。
-
公开(公告)号：CN109800852A
公开(公告)日：2019-05-24
申请号：CN201811439940.5
申请日：2018-11-29
Applicant: 电子科技大学
Abstract: 本发明提出了一种多模态的垃圾邮件识别方法，属于垃圾邮件识别领域。针对传统的垃圾邮件过滤方法只分析邮件的单一模态信息，难以做到对文本垃圾邮件、图像垃圾邮件以及文本图像混合型垃圾邮件进行统一处理的有效识别过滤，且其识别的精度还有待提高的问题。本发明采用深度学习技术，提出了一种多模型融合的多模态架构。针对邮件头信息、邮件文本信息和邮件图像信息分别设计了用于邮件头、文本和图像分类的三个独立的神经网络模型，即FNN,CLstmNN(由CNN与LSTM组成)与CNN网络组成，将邮件头、邮件文本及邮件图像多模态信息相结合的方法，对文本垃圾邮件、图像垃圾邮件以及图像文本混合型垃圾邮件进行统一处理识别，提高对垃圾邮件的识别精度。
-
公开(公告)号：CN103955543A
公开(公告)日：2014-07-30
申请号：CN201410214929.4
申请日：2014-05-20
Applicant: 电子科技大学
IPC: G06F17/30
CPC classification number: G06F17/30047 , G06F17/30038
Abstract: 本发明提供一种综合服装文本信息和图像信息的基于多模态的服装图像检索方法。该方法根据用户输入待检索服装图像和文本描述，通过文本检索和图像多特征检索得到候选集，再根据用户反馈对候选集进行重排得到最终检索结果。本发明通过文本和服装图像两种模态对服装的描述，构建两层检索和重排过程，提高服装图像检索的查全率和查准率，同时也提高了检索效率。
-
-
-
-
-
-
-
Search Results
58
records
(took 0.022 seconds)
