-
公开(公告)号：CN113222056B
公开(公告)日：2022-11-08
申请号：CN202110592135.1
申请日：2021-05-28
Applicant: 北京理工大学
IPC: G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06T5/00
Abstract: 本发明涉及一种基于深度神经网络隐藏层代表性特征最近邻搜索的图像分类系统对抗样本检测方法，属于人工智能对抗领域。主要为了解决对抗样本数量、种类较少难以用于训练和仅使用良性样本训练时深度神经网络隐藏层特征数量较多、相似特征计算量大的问题。本发明首先将只包含良性样本的训练集输入到被攻击图像分类系统中，提取系统隐藏层特征构建隐藏层特征池；并将其按照标签分别进行聚类，将每个簇中心作为该标签代表性特征向量，构建代表性特征池；对于测试样本，先进行图像去噪，再输入到系统中提取隐藏层特征，计算该特征在所有代表性特征中的K近邻，将其中出现频率最高的标签与直接将样本输入系统得到的标签比较，如果不同则为对抗样本。
-
公开(公告)号：CN112214767B
公开(公告)日：2022-09-20
申请号：CN202011090679.X
申请日：2020-10-13
Applicant: 北京理工大学
IPC: G06F21/56 , G06V10/764 , G06V10/82 , G06N3/04
Abstract: 本发明涉及一种基于操作码序列的恶意软件家族分类方法，属于恶意软件家族分类与机器学习领域。主要为了解决在对恶意软件进行静态分析时，因忽视恶意软件反汇编后提取的操作码的顺序而导致误分类的问题。本发明首先对恶意软件进行反汇编并提取操作码，得到操作码序列；然后计算每个操作码的256位hash值，并将hash值顺序排列成矩阵；接下来将矩阵转化为灰度图像，并采用双线性插值法对该图像进行比例为256*3000的缩放；最后，经过卷积神经网络得到恶意软件家族分类结果。在BIG 2015上实验，结果表明本发明能达到较好的分类效果，进一步提升了恶意软件家族分类的正确率。
-
公开(公告)号：CN112214767A
公开(公告)日：2021-01-12
申请号：CN202011090679.X
申请日：2020-10-13
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于操作码序列的恶意软件家族分类方法，属于恶意软件家族分类与机器学习领域。主要为了解决在对恶意软件进行静态分析时，因忽视恶意软件反汇编后提取的操作码的顺序而导致误分类的问题。本发明首先对恶意软件进行反汇编并提取操作码，得到操作码序列；然后计算每个操作码的256位hash值，并将hash值顺序排列成矩阵；接下来将矩阵转化为灰度图像，并采用双线性插值法对该图像进行比例为256*3000的缩放；最后，经过卷积神经网络得到恶意软件家族分类结果。在BIG 2015上实验，结果表明本发明能达到较好的分类效果，进一步提升了恶意软件家族分类的正确率。
-
公开(公告)号：CN109992774A
公开(公告)日：2019-07-09
申请号：CN201910225532.8
申请日：2019-03-25
Applicant: 北京理工大学
Abstract: 本发明涉及基于词属性注意力机制的关键短语识别方法，属于自然语言处理与机器学习领域。主要为了解决现有关键短语识别方法无法识别文本中未出现的关键短语的问题。本发明首先利用词嵌入学习将输入文本的词和词性标签转化为向量；其次利用RNN编码器对单词序列和词性标签序列进行编码，获得单词序列和词性标签序列的隐藏状态；然后基于词属性注意力机制对单词序列的隐藏状态进行权值分配，并计算上下文向量；随后通过RNN解码器解码上下文向量并逐字生成可变长度序列；最后通过beam search算法生成关键短语。在567,830篇科研文章和新闻刊物上进行实验，结果表明本发明能达到较好的关键短语识别效果，进一步提升了识别的正确率。
-
Patent Agency Ranking
公开(公告)号：CN104764457B
公开(公告)日：2017-11-17
申请号：CN201510190640.8
申请日：2015-04-21
Applicant: 北京理工大学
IPC: G01C21/32
Abstract: 本发明公开了一种用于无人车的城市环境构图方法，不依赖于里程计、GPS以及惯导等外部定位传感器，仅采用车载激光雷达返回的3D激光点云数据用较少的粒子完成无人车轨迹跟踪与环境地图构建，为无人地面车辆在未知环境下的自主行驶提供依据；本发明对相邻两帧数据应用ICP算法得到了车辆真实位姿的粗估计，然后在此粗估计附近根据高斯分布撒点。该粗估计虽然不是无人车真实位姿，却是无人车真实位姿的高概率区域，在后续撒点过程用少量的粒子便实现了较准确的定位与构图，避免了传统方法使用大量粒子拟合车辆轨迹，提高了算法的效率，并有效抑制了由于粒子估计不好带来的粒子匮乏现象。
-
公开(公告)号：CN104764457A
公开(公告)日：2015-07-08
申请号：CN201510190640.8
申请日：2015-04-21
Applicant: 北京理工大学
IPC: G01C21/32
CPC classification number: G01C21/32
Abstract: 本发明公开了一种用于无人车的城市环境构图方法，不依赖于里程计、GPS以及惯导等外部定位传感器，仅采用车载激光雷达返回的3D激光点云数据用较少的粒子完成无人车轨迹跟踪与环境地图构建，为无人地面车辆在未知环境下的自主行驶提供依据；本发明对相邻两帧数据应用ICP算法得到了车辆真实位姿的粗估计，然后在此粗估计附近根据高斯分布撒点。该粗估计虽然不是无人车真实位姿，却是无人车真实位姿的高概率区域，在后续撒点过程用少量的粒子便实现了较准确的定位与构图，避免了传统方法使用大量粒子拟合车辆轨迹，提高了算法的效率，并有效抑制了由于粒子估计不好带来的粒子匮乏现象。
-
公开(公告)号：CN113222056A
公开(公告)日：2021-08-06
申请号：CN202110592135.1
申请日：2021-05-28
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于深度神经网络隐藏层代表性特征最近邻搜索的图像分类系统对抗样本检测方法，属于人工智能对抗领域。主要为了解决对抗样本数量、种类较少难以用于训练和仅使用良性样本训练时深度神经网络隐藏层特征数量较多、相似特征计算量大的问题。本发明首先将只包含良性样本的训练集输入到被攻击图像分类系统中，提取系统隐藏层特征构建隐藏层特征池；并将其按照标签分别进行聚类，将每个簇中心作为该标签代表性特征向量，构建代表性特征池；对于测试样本，先进行图像去噪，再输入到系统中提取隐藏层特征，计算该特征在所有代表性特征中的K近邻，将其中出现频率最高的标签与直接将样本输入系统得到的标签比较，如果不同则为对抗样本。
-
公开(公告)号：CN101339604B
公开(公告)日：2010-07-28
申请号：CN200810116376.3
申请日：2008-07-09
Applicant: 北京理工大学
Abstract: 本发明为一种基于视觉不变量的新型标志点图形及其识别、跟踪定位算法。该发明包括一种基于视觉不变量的新型标志点的设计以及基于该新型标志点的识别跟踪定位算法。基于视觉不变量的新型标志点为一带有圆形标志的黑色五边形。标志点可以是凸五边形也可以是凹五边形。圆形标志用于确定五边形的第一个顶点。利用五边形的交比不变量并结合顶点的凹凸性对图形进行编码。基于视觉不变量的标志点能够利用自身特性直接进行姿态计算并实现标志点的编码，节省编码图案所需面积；减小标志点图形尺寸，提高单位面积注册精度。跟踪注册算法用于识别该标志点并跟踪使用者的头部姿态，计算虚拟场景在真实环境空间中的准确位姿。
-
公开(公告)号：CN101339604A
公开(公告)日：2009-01-07
申请号：CN200810116376.3
申请日：2008-07-09
Applicant: 北京理工大学
Abstract: 本发明为一种基于视觉不变量的新型标志点图形及其识别、跟踪定位算法。该发明包括一种基于视觉不变量的新型标志点的设计以及基于该新型标志点的识别跟踪定位算法。基于视觉不变量的新型标志点为一带有圆形标志的黑色五边形。标志点可以是凸五边形也可以是凹五边形。圆形标志用于确定五边形的第一个顶点。利用五边形的交比不变量并结合顶点的凹凸性对图形进行编码。基于视觉不变量的标志点能够利用自身特性直接进行姿态计算并实现标志点的编码，节省编码图案所需面积；减小标志点图形尺寸，提高单位面积注册精度。跟踪注册算法用于识别该标志点并跟踪使用者的头部姿态，计算虚拟场景在真实环境空间中的准确位姿。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.025 seconds)
