-
公开(公告)号：CN110502931A
公开(公告)日：2019-11-26
申请号：CN201910752995.X
申请日：2019-08-15
Applicant: 广东工业大学 , 国家计算机网络与信息安全管理中心广东分中心
Abstract: 本发明公开了一种基于区块链的互联网仲裁和隐私保护方法，可应用于处理各类互联网金融和贸易纠纷的互联网仲裁系统。包括：密钥信托中心发放用于生成群签名的公私钥对；当事人双方在线提交电子化证据；仲裁方生成电子版的仲裁结果并签名；当事双方对仲裁结果生成各自的群签名以隐匿身份；区块链结点将涉及纠纷的数据和签名放入区块链中；密钥信托中心在需要时可以指认签名是由哪个实体签下的。本发明能够保证仲裁结果在上链之后不被任何人验证且不被任何人篡改，维护互联网仲裁的公平性和公正性。且使用的群签名技术使得除了密钥信托中心外的任何人都不能得知纠纷中的签名所属的实体，避免被仲裁方对外声誉受损，为当事人提供有力的隐私信息保护。
-
公开(公告)号：CN110502931B
公开(公告)日：2021-05-04
申请号：CN201910752995.X
申请日：2019-08-15
Applicant: 广东工业大学 , 国家计算机网络与信息安全管理中心广东分中心
Abstract: 本发明公开了一种基于区块链的互联网仲裁和隐私保护方法，可应用于处理各类互联网金融和贸易纠纷的互联网仲裁系统。包括：密钥信托中心发放用于生成群签名的公私钥对；当事人双方在线提交电子化证据；仲裁方生成电子版的仲裁结果并签名；当事双方对仲裁结果生成各自的群签名以隐匿身份；区块链结点将涉及纠纷的数据和签名放入区块链中；密钥信托中心在需要时可以指认签名是由哪个实体签下的。本发明能够保证仲裁结果在上链之后不被任何人验证且不被任何人篡改，维护互联网仲裁的公平性和公正性。且使用的群签名技术使得除了密钥信托中心外的任何人都不能得知纠纷中的签名所属的实体，避免被仲裁方对外声誉受损，为当事人提供有力的隐私信息保护。
-
公开(公告)号：CN119444893A
公开(公告)日：2025-02-14
申请号：CN202411449869.4
申请日：2024-10-17
Applicant: 广东工业大学
IPC: G06T11/00 , G06T7/00 , G06T7/13 , G06N3/0455 , G06N3/0475 , G06N3/088 , G06N3/094
Abstract: 本发明公开的属于医学影像与深度学习技术领域，具体为基于轮廓引导路径正则化的非配对跨模态医学图像转换方法，包括具体步骤如下：构建从源域到目标域的转换路径；应用路径正则化方法，旨在平滑路径过渡，确保图像转换过程中的稳定性；基于轮廓引导的路径正则化技术，使模型能够聚焦于关键解剖区域，进一步提升生成CT图像的结构一致性和准确性，本发明通过减少额外的训练步骤，能够显著缩短训练时间。本发明意在简化无监督训练范式，同时克服传统基于GAN的单步生成方法在捕捉医学图像复杂解剖结构方面的不足。在兼顾训练和采样时间的同时，克服生成医学图像质量受限问题。
-
公开(公告)号：CN119169125A
公开(公告)日：2024-12-20
申请号：CN202411200426.1
申请日：2024-08-29
Applicant: 广东工业大学
IPC: G06T11/00 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开的一种基于SSM多模态医学图像生成方法、系统和可读存储介质，其中方法包括：获取多模态匹配的基础数据，其中，所述基础数据包括核磁共振图像数据；搭建初始模型，其中，所述初始模型包括MambaR‑UNet模型，所述目标模型包括一个嵌入层、一个编码器、一个解码器以及一个卷积网络层；提取所述基础数据中的分组比例因子以得到训练数据与微调测试数据，基于所述训练数据在一个模态转化方向训练模型，基于所述微调测试数据对训练好的模型进行另一个模态方向的微调得到目标模型；基于所述目标模型对输入的测试图像进行处理以完成所述测试图像的模态转换。本发明通过在Mamba模块后增加一个重编辑层，充分利用可用的训练数据，实现高效的多模态MR I转换任务。
-
公开(公告)号：CN119048527A
公开(公告)日：2024-11-29
申请号：CN202411159980.X
申请日：2024-08-22
Applicant: 广东工业大学
IPC: G06T7/10 , G06T7/30 , G06T7/00 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开的属于医学图像处理技术领域，具体为一种基于深度学习的医学图像配准与分割联合训练方法，本发明的医学图像配准和分割联合算法在医学图像配准过程中结合了医学图像分割任务，利用半监督分割网络SegNet生成的伪分割标签提供辅助的解剖结构信息，约束弱监督配准网络RegNet生成更符合真实解剖结构的变形场。反过来，弱监督配准网络RegNet也可以为半监督分割网络SegNet提供形变伪标签用以监督训练。同时，为了减少配准误差和分割误差对彼此性能的影响，弱监督配准网络RegNet使用了微分同胚配准算法，生成的形变场更加平滑。
-
Patent Agency Ranking
公开(公告)号：CN118918678A
公开(公告)日：2024-11-08
申请号：CN202411165585.2
申请日：2024-08-23
Applicant: 广东工业大学
Abstract: 本申请提供了一种多场景的火灾智能检测方法、系统和介质。该方法包括：实时采集预设区域内的监测数据，并与预设阈值对比判断是否存在火灾信息，若存在，采集第一监测时间点的火源状态信息，并提取火焰特征数据以及烟雾特征数据，处理获得火情初始状态指数，获取第二监测时间点的火焰特征数据以及烟雾特征数据，并结合第一监测时间点的火焰特征数据以及烟雾特征数据进行处理，获得火情发展变化指数，同步获取火情处理干扰系数以及环境影响因子，并结合火情初始状态指数以及火情发展变化指数进行救灾难度评估，获得救援难度指数，并进行阈值对比，根据结果获取对应的响应方案对火情展开救援工作，从而实现多场景的火灾智能检测的技术。
-
公开(公告)号：CN118869312A
公开(公告)日：2024-10-29
申请号：CN202411048984.0
申请日：2024-08-01
Applicant: 广东工业大学
IPC: H04L9/40 , G06N3/0442
Abstract: 本发明公开了一种结合Transformer模型和循环神经网络的恶意流量检测模型训练方法。包括以下步骤：初始化训练参数；收集网络流量数据，对流量数据进行标注并组成训练集与测试集；遍历训练集，提取和预处理数据包信息，得到数据包头文本矩阵、数据包内容文本矩阵及时间戳向量；将所述数据包头和数据包内容文本信息的矩阵与所述时间戳向量输入RoBERTa模型和补充模块中，经过处理得到特征矩阵，将特征矩阵依次输入全连接层、softmax头，得到分类结果；计算损失函数值并使用DP‑Adam算法更新RoBERTa参数、SGD算法更新补充模块权重，进行多轮训练，得到最终模型。本发明利用RoBERTa模型强表征能力和补充模块减少语言特征丢失，同时嵌入时间戳以减少时间特征丢失，使用DP‑Adam算法保护数据隐私。
-
公开(公告)号：CN118747327A
公开(公告)日：2024-10-08
申请号：CN202410891927.2
申请日：2024-07-04
Applicant: 广东工业大学
IPC: G06F18/243 , G06F18/24 , G06F18/23 , G06N3/042 , G06N3/0464 , G06F18/214 , G16B40/00 , G06F18/22 , G16C20/70 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种基于图表征和样本学习的微生物‑药物关联预测方法，包括构建基于矩阵分解和引导聚类算法的预分类模型，并利用预分类模型从微生物‑药物关联二分图中筛选可靠负样本；利用微生物‑药物异质图和可靠负样本构建训练集和测试集，用训练集训练基于图卷积网络和图注意力网络的编码模型，利用训练好的编码模型获取训练集和测试集的最终图节点的表征；建立带偏置的随机森林分类模型，用训练集的图节点表征拟合带偏置的随机森林分类模型，将测试集的图节点表征输入带偏置的随机森林分类模型后，获取预测分数。本发明能够解决现有微生物‑药物关联预测模型存在假阴性和筛选负样本的方法可能导致过拟合等问题。
-
公开(公告)号：CN118553312A
公开(公告)日：2024-08-27
申请号：CN202410578811.3
申请日：2024-05-11
Applicant: 广东工业大学
Abstract: 本发明提供一种基于多重邻近性融合的lncRNA与药物抗性关联预测方法，包括构建lncRNA‑药物抗性关联数据集；利用k‑mers和RDKit对关联数据集进行处理；将lncRNA和药物的高级特征进行拼接处理；构建lncRNA‑药物抗性异构网络；通过元路径对lncRNA‑药物抗性异构网络进行全局结构邻近性量化，得到重构的异构网络；对lncRNA‑药物抗性异构网络进行局部结构邻近性的量化；预测lncRNA‑药物抗性潜在关联。本发明从挖掘数据的各项特性出发，利用相关方法工具量化提取数据的多重邻近性，最后融合各项特性以有效提高预测效果；本发明预测准确率高，AUC值为0.913，AUPR值为0.921。
-
公开(公告)号：CN118413540A
公开(公告)日：2024-07-30
申请号：CN202410489600.2
申请日：2024-04-23
Applicant: 中国电信股份有限公司广东分公司 , 广东工业大学
IPC: H04L67/1012 , H04L67/1014 , H04L67/1008 , H04L67/60 , G06N3/0985 , G06N20/00 , G06N3/098
Abstract: 本发明提供一种结合数据公平调度和联邦平均的均衡联邦学习方法，包括服务器和客户端各自运行相应的进程；服务器和客户端基于公平的数据调度原则和α‑联邦学习平均算法进行少轮次训练的交互学习；服务器依据本地客户端返回的模型参数、公平的数据调度原则对模型进行聚合，更新全局模型；在每个交互学习轮次的初始阶段，服务器首先依据上一轮交互学习接收的反馈信息，更新全局模型；并依据公平的数据调度原则，优先挑选数据调度较少的客户端进行下一轮交互学习；服务器基于公平的数据调度原则与挑选的客户端进行交互学习。本发明通过在联邦学习中加入公平的客户端挑选机制，有效的控制客户端的损失，使得在联邦学习的过程中的数据调度更具公平性。
-
-
-
-
-
-
-
-
-
Search Results
317
records
(took 0.082 seconds)
