-
公开(公告)号：CN108320374A
公开(公告)日：2018-07-24
申请号：CN201810129012.2
申请日：2018-02-08
申请人： 中南大学
IPC分类号： G07D7/206 , G07D7/20 , G06K9/62 , G07D7/0047
摘要： 本发明公开一种基于图像指纹的多国纸币冠字号字符识别方法，属于纸币模式识别技术领域。基于多国纸币冠字号字符图片的模板集和样本集，利用感知哈希算法生成训练样本数据，构建基于SVM分类器的分类模型，并利用训练样本数据对分类模型进行训练，利用训练好的分类模型对待处理纸币的冠字号字符图片进行识别。本发明方法将纸币冠字号字符识别过程中的单个特征转换为多个特征，并采用基于SVM分类器的方法进行识别，对样本需求量小，训练速度快，识别速度快，而且具有很好的抗干扰能力，能提高预测时的容错率。
-
公开(公告)号：CN116991459B
公开(公告)日：2024-04-26
申请号：CN202311044645.0
申请日：2023-08-18
申请人： 中南大学
摘要： 本发明公开了一种软件多缺陷信息预测方法与系统，包括将待预测项目数据输入第二图注意力网络模型进行预测，得到第二内部特征；将待预测项目数据输入第二可扩展的图网络模型进行预测，得到第二外部特征；将第二内部特征和第二外部特征融合，得到待预测样本；通过内部特征与外部特征的融合，从而得到更多特征，提升了预测能力，构建第一多预测模型，将训练样本输入第一多预测模型进行训练，得到第二多预测模型；将待预测样本输入第二多预测模型进行预测，得到待预测项目数据的缺陷信息，实现了对多缺陷信息预测，包括对缺陷数量和缺陷严重度的预测。
-
公开(公告)号：CN115170746B
公开(公告)日：2022-11-22
申请号：CN202211087276.9
申请日：2022-09-07
申请人： 中南大学
摘要： 本发明公开了一种基于深度学习的多视图三维重建方法、系统及设备，获取多张多视角图像，对多张多视角图像进行多尺度语义特征提取，获得多种尺度的特征图；对多种尺度的特征图进行多尺度语义分割，获得多种尺度的语义分割集；通过有监督的三维重建方法对多张多视角图像进行重建，获得初始深度图；基于多种尺度的语义分割集和初始深度图，获得多种尺度的深度图；构建多种尺度的点云集；对多种尺度的点云集采用不同的半径滤波进行优化，获得优化后的点云集；基于优化后的点云集进行不同尺度的重建，获得不同尺度的三维重建结果；将每种尺度的三维重建结果进行拼接融合。本发明能够充分利用各个尺度的语义信息，能够提高三维重建的精确度。
-
公开(公告)号：CN115170746A
公开(公告)日：2022-10-11
申请号：CN202211087276.9
申请日：2022-09-07
申请人： 中南大学
摘要： 本发明公开了一种基于深度学习的多视图三维重建方法、系统及设备，获取多张多视角图像，对多张多视角图像进行多尺度语义特征提取，获得多种尺度的特征图；对多种尺度的特征图进行多尺度语义分割，获得多种尺度的语义分割集；通过有监督的三维重建方法对多张多视角图像进行重建，获得初始深度图；基于多种尺度的语义分割集和初始深度图，获得多种尺度的深度图；构建多种尺度的点云集；对多种尺度的点云集采用不同的半径滤波进行优化，获得优化后的点云集；基于优化后的点云集进行不同尺度的重建，获得不同尺度的三维重建结果；将每种尺度的三维重建结果进行拼接融合。本发明能够充分利用各个尺度的语义信息，能够提高三维重建的精确度。
-
公开(公告)号：CN107341021B
公开(公告)日：2020-05-15
申请号：CN201710573289.X
申请日：2017-07-14
申请人： 中南大学
IPC分类号： G06F8/20 , G06F16/2458 , G06F16/27 , G06F16/248
摘要： 本发明公开了一种大型复杂软件带约束逻辑属性的软件网络的表示、存储与检索方法。首先通过静态分析得到开源面向对象软件的关于包、类、方法、语句、变量、视频、音频、图片及其关系的相关信息。然后结合约束逻辑理论将语句信息转换为约束逻辑属性，结合复杂网络理论根据提取的信息建立关于目标软件的软件网络模型。以软件网络模型节点的绝对路径为键、边为值存储在Redis集群中。根据待分析的关键字和可达性分许算法在Redis集群中检索出与待分析关键字相关的信息。最后可以使用可视化工具刻画出目标软件的全局结构行为信息和关于待分析关键字的局部信息。
-
公开(公告)号：CN115185814B
公开(公告)日：2024-05-21
申请号：CN202210659903.5
申请日：2022-06-13
申请人： 中南大学
摘要： 本发明公开了一种基于二维程序频谱的多缺陷定位方法、系统及设备，本方法根据测试用例集对源程序进行数据提取，获得数据提取信息；根据数据提取信息划分失败测试用例集和成功测试用例集，对失败测试用例集中的每个失败测试用例进行聚类分析；将每个缺陷的失败测试用例子集分别与成功测试用例集结合，获得每个缺陷的测试用例子集；对每个缺陷的测试用例子集进行特征转换，获得每个缺陷的测试用例子集的二维程序频谱；构建缺陷定位模型，基于缺陷定位模型和二维程序频谱，获取每个缺陷的测试用例子集的语句怀疑度列表；融合所有语句怀疑度列表，获得多缺陷定位报告；通过多缺陷定位报告定位多个缺陷。本发明能够提高多缺陷定位的精确度和效率。
-
公开(公告)号：CN116863289A
公开(公告)日：2023-10-10
申请号：CN202310948382.X
申请日：2023-07-31
申请人： 中南大学
IPC分类号： G06V10/80 , G06N3/042 , G06N3/0464 , G06N3/082 , G06V10/82
摘要： 本发明公开了一种多特征融合的多分支目标检测方法、系统及设备，本方法通过获取目标检测图像数据集；将目标检测图像数据集输入至骨干特征提取网络中进行多尺度特征提取，获得多种尺度的第一特征图；采用空洞卷积模块对多种尺度的第一特征图增加感受野，获得多种尺度的第二特征图；将多种尺度的第二特征图采用CA注意力机制进行特征加权，获得多种尺度的加权特征图；采用融合特征金字塔的颈部网络对多种尺度的加权特征图进行多次特征融合，获得多尺度的融合特征图；将多尺度的融合特征图输入头部网络进行多分支目标检测，获得多种尺寸图像的目标检测结果。本发明能够避免丢失很多不同尺度的特征信息，提高目标检测的准确度。
-
公开(公告)号：CN116703950A
公开(公告)日：2023-09-05
申请号：CN202310982262.1
申请日：2023-08-07
申请人： 中南大学
IPC分类号： G06T7/11 , G06N3/0464 , G06N3/048 , G06V10/80
摘要： 本发明公开了一种基于多层次特征融合的伪装目标图像分割方法和系统，本方法对每种层次的第一特征图进行全局特征增强，对每种层次的第二特征图进行局部特征增强；并将每种层次的增强后的局部特征和与其相同层次的增强后的全局特征进行特征融合，获得多种层次的融合特征；对多种层次的融合特征中两个浅层网络层的融合特征进行边界引导，得到边界图；将多种层次的融合特征中相邻网络层的融合特征进行特征交互获得多个交互特征；将边界图分别与多个交互特征中的每个交互特征进行边界融合，获得多个边界融合特征；基于多个边界融合特征，分割出每个边界融合特征对应的待分割的伪装目标图像中的伪装目标图像。本发明能够提高伪装目标图像分割的准确度。
-
公开(公告)号：CN115629995A
公开(公告)日：2023-01-20
申请号：CN202211645383.9
申请日：2022-12-21
申请人： 中南大学
IPC分类号： G06F11/36 , G06F8/75 , G06F40/284 , G06N3/0442 , G06N3/048
摘要： 本发明公开了基于多依赖LSTM的软件缺陷定位方法、系统及设备，本方法通过通过静态分析待检测软件源码和测试用例，获得测试用例的执行轨迹、待检测软件源码的数据依赖图和执行路径；采用Word2Vec模型对执行路径进行词向量训练，获得控制依赖向量；采用Node2vec模型对数据依赖图进行游走，获得数据依赖向量；将控制依赖向量和数据依赖向量进行拼接，获得多依赖向量；将多依赖向量和执行轨迹进行合并，获得待检测软件源码中每行代码的合并特征向量；将每行代码的合并特征向量输入至训练好的软件缺陷定位模型中，获得每行代码的语句怀疑度；根据语句怀疑度定位待检测软件源码中的缺陷。本发明能够提高软件缺陷定位的精确度。
-
公开(公告)号：CN109871855B
公开(公告)日：2022-09-20
申请号：CN201910139959.6
申请日：2019-02-26
申请人： 中南大学
IPC分类号： G06V10/50 , G06V10/46 , G06V10/764 , G06V10/82 , G06N3/04
摘要： 深度多核学习(DMKL)方法与浅层多核学习相比，效率和有效性更高，引起了广泛的关注。然而，现有的DMKL体系结构泛化性较差，很难依据样本数据训练找到合适的参数。本发明提出了一种自适应深度多核学习(SA‑DMKL)的结构，这种结构能够自适应、自生长并具有弹性。通过Rademacher混沌复杂度，可以根据不同的数据集和数据空间，筛选每层基核函数，改变每层基核函数数量。用本发明方法对UCI鸢尾花数据集数据集、乳腺癌数据集和Caltech256图像数据集验证，与其他方法相比，有更高的有效性。
-
-
-
-
-
-
-
-
-
搜索结果
24 条记录 (耗时 0.023 秒)
