-
公开(公告)号：CN117496225A
公开(公告)日：2024-02-02
申请号：CN202311343578.2
申请日：2023-10-17
Applicant: 南昌大学 , 南昌大学新一代信息技术产业研究院 , 江西炬能物联技术研究中心有限公司
IPC: G06V10/764 , G06V10/40 , G06V10/32 , G06V10/80 , G06V10/82 , G06V10/77 , G06N3/0464 , G06N3/047 , G06N3/0499 , G06N3/048 , G06N3/08
Abstract: 本申请公开了一种图像数据取证方法及其系统，其中图像数据取证方法包括以下步骤：进行卷积块的确定；响应于完成卷积块的确定，基于卷积块进行分类模型的搭建；根据搭建好的分类模型完成图像取证，获取最终的图像取证结果。本申请通过搭建的UsmSA块和分类模型，不仅能对USM锐化处理的图像有极高的检测准确率，还能够降低对USM锐化取证的漏报率。
-
公开(公告)号：CN117496225B
公开(公告)日：2024-09-06
申请号：CN202311343578.2
申请日：2023-10-17
Applicant: 南昌大学 , 南昌大学新一代信息技术产业研究院 , 江西炬能物联技术研究中心有限公司
IPC: G06V10/764 , G06V10/40 , G06V10/32 , G06V10/80 , G06V10/82 , G06V10/77 , G06N3/0464 , G06N3/047 , G06N3/0499 , G06N3/048 , G06N3/08
Abstract: 本申请公开了一种图像数据取证方法及其系统，其中图像数据取证方法包括以下步骤：进行卷积块的确定；响应于完成卷积块的确定，基于卷积块进行分类模型的搭建；根据搭建好的分类模型完成图像取证，获取最终的图像取证结果。本申请通过搭建的UsmSA块和分类模型，不仅能对USM锐化处理的图像有极高的检测准确率，还能够降低对USM锐化取证的漏报率。
-
Patent Agency Ranking
公开(公告)号：CN115796242B
公开(公告)日：2023-05-16
申请号：CN202310097831.4
申请日：2023-02-10
Applicant: 南昌大学
IPC: G06N3/0475 , G06N3/0464 , G06N3/094 , G06F18/241 , G06N3/084
Abstract: 本发明公开一种电子数字信息反取证方法。所述方法包括：GAN模型包括分类网络D1、判别器D2和D3，以及生成网络G，预先为D1、D2和D3分配相同的权重，构建第一损失函数；将未处理信息输入D1进行训练，由G根据未处理信息和随机噪声生成合成信息，部署第二损失函数提高网络性能；将未处理信息输入D2进行训练，由D2对G的输出进行分类，并通过反向传播，将学习到的权重转移回G；将未处理信息输入D3进行训练，将未处理信息和合成信息进行区分，构建最终损失函数。本发明在对原有的GAN模型基础上，修改了生成器和构造器的结构和网络的框架，建立了额外的监督系统和相应的损失函数，提高了网络模型反取证的性能。
-
公开(公告)号：CN115830400B
公开(公告)日：2023-05-16
申请号：CN202310097955.2
申请日：2023-02-10
Applicant: 南昌大学
IPC: G06V10/764 , G06V10/82 , G06N3/048 , G06N3/098 , G06N3/0464 , G06F21/62 , G16H30/00
Abstract: 本申请公开了一种基于联邦学习机制的数据识别方法及其系统，其中基于联邦学习机制的数据识别方法，具体包括以下子步骤：确定识别模型的骨干网络；响应于确定识别模型的骨干网络后，对识别模型进行联邦学习，完成识别模型的训练；将电子数据输入至训练完成的识别模型，进行电子数据的识别。本申请重点考虑对用户数据的的隐私保护，通过对联邦学习机制以及残差网络算法的研究和学习，解决了目前其他模型安全性不足的缺陷，设计出了在做到保护用户隐私和安全的前提下，仍能保持对数据进行良好的识别的模型，从而达到对用户提供的电子数据进行良好识别的目的。
-
公开(公告)号：CN115830400A
公开(公告)日：2023-03-21
申请号：CN202310097955.2
申请日：2023-02-10
Applicant: 南昌大学
IPC: G06V10/764 , G06V10/82 , G06N3/048 , G06N3/098 , G06N3/0464 , G06F21/62 , G16H30/00
Abstract: 本申请公开了一种基于联邦学习机制的数据识别方法及其系统，其中基于联邦学习机制的数据识别方法，具体包括以下子步骤：确定识别模型的骨干网络；响应于确定识别模型的骨干网络后，对识别模型进行联邦学习，完成识别模型的训练；将电子数据输入至训练完成的识别模型，进行电子数据的识别。本申请重点考虑对用户数据的的隐私保护，通过对联邦学习机制以及残差网络算法的研究和学习，解决了目前其他模型安全性不足的缺陷，设计出了在做到保护用户隐私和安全的前提下，仍能保持对数据进行良好的识别的模型，从而达到对用户提供的电子数据进行良好识别的目的。
-
公开(公告)号：CN115796242A
公开(公告)日：2023-03-14
申请号：CN202310097831.4
申请日：2023-02-10
Applicant: 南昌大学
IPC: G06N3/0475 , G06N3/0464 , G06N3/094 , G06F18/241 , G06N3/084
Abstract: 本发明公开一种电子数字信息反取证方法。所述方法包括：GAN模型包括分类网络D1、判别器D2和D3，以及生成网络G，预先为D1、D2和D3分配相同的权重，构建第一损失函数；将未处理信息输入D1进行训练，由G根据未处理信息和随机噪声生成合成信息，部署第二损失函数提高网络性能；将未处理信息输入D2进行训练，由D2对G的输出进行分类，并通过反向传播，将学习到的权重转移回G；将未处理信息输入D3进行训练，将未处理信息和合成信息进行区分，构建最终损失函数。本发明在对原有的GAN模型基础上，修改了生成器和构造器的结构和网络的框架，建立了额外的监督系统和相应的损失函数，提高了网络模型反取证的性能。
-
公开(公告)号：CN116071270A
公开(公告)日：2023-05-05
申请号：CN202310201462.9
申请日：2023-03-06
Applicant: 南昌大学
IPC: G06T5/00 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本申请提供一种基于可变形卷积生成对抗网络的电子数据生成方法及系统，该方法包括如下步骤：构建可变形卷积生成对抗网络的网络结构；将预先获取的训练数据集输入到可变形卷积生成对抗网络中进行训练，得到训练后的可变形卷积生成对抗网络；将待处理电子数据输入到训练后的可变形卷积生成对抗网络中，获取生成电子数据；将生成电子数据输入到预先训练的卷积神经网络检测模型中，识别生成电子数据中的棋盘伪影。本申请消除可变形卷积生成对抗网络所生成的电子数据中的棋盘伪影，且避免在可变形卷积生成对抗网络中添加过多网络层数。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
