公开(公告)号：CN118799646A

公开(公告)日：2024-10-18

申请号：CN202411084301.7

申请日：2024-08-08

Applicant: 四川省数字经济研究院(宜宾) ,  电子科技大学

Inventor： 陈洁 ,  曹晟 ,  张淋 ,  代洋 ,  谢宁

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/084 ,  G06V10/74

Abstract: 本发明公开了一种基于特征融合及语义增强的细粒度图像分类方法。该方法包括以下步骤：首先，利用视觉Transformer(ViT)模型进行特征提取，将输入图像分割成不重叠的patch，通过线性投影转换为嵌入向量，并输入Transformer编码器生成全局特征。接着，通过多层次注意力融合与语义信息结合，提取每层Transformer中的注意力权重，并结合预训练语言模型生成的语义嵌入，计算每个token的重要性分数，选择关键token。然后，对关键token进行二次分块和投影，重新选择二次关键token。通过交叉注意力机制，将全局特征和局部特征进行融合，生成融合特征。最后，将融合特征与全局分类特征结合，输入分类器进行分类，生成分类输出。通过多层次注意力融合和语义增强以及关键token选择，本发明实现对细粒度图像判别性特征区域的准确定位，增强特征的判别性，提高分类准确性。

公开(公告)号：CN119295763A

公开(公告)日：2025-01-10

申请号：CN202411378820.4

申请日：2024-09-30

Applicant: 四川省数字经济研究院(宜宾) ,  电子科技大学

Inventor： 曹晟 ,  陈洁 ,  张淋 ,  代洋

IPC: G06V10/44 ,  G06V10/774 ,  G06V10/82 ,  G06V10/75 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/08

Abstract: 本发明公开了一种用于零样本学习的语义属性集生成方法，通过教师模型与学生模型的多阶段协同训练，提升了生成属性集的准确性和一致性。教师模型基于条件生成对抗网络，利用专家构建的属性集生成高质量图像I1，学生模型基于注意力机制和视觉Transformer模型从原始图像中提取关键特征，生成初步语义属性集与对应图像I2。以教师模型生成图像I1作为基准，将I2与I1进行特征对比，得到两者之间的特征差异，将特征差异作为指导信号，反向优化语义属性集A2同时优化I2。最终，学生模型生成与专家构造属性集A1一致的语义属性集Af。本发明的创新之处在于，在无专家属性集场景下，本发明可生成高质量的语义属性集，填补部分类别专家属性集空缺导致零样本学习不适用的问题，扩大零样本学习方法的应用范围。

公开(公告)号：CN119788411B

公开(公告)日：2025-05-16

申请号：CN202510245467.0

申请日：2025-03-04

Applicant: 电子科技大学 ,  四川省数字经济研究院(宜宾)

Inventor： 曹晟 ,  王岩 ,  彭俊杰 ,  管韫之 ,  张淋 ,  代洋 ,  张小松

IPC: H04L9/40 ,  G06F18/2413

Abstract: 本发明提供了一种基于自适应K最邻近的未知恶意流量检测方法，包括：构建新样本集，合并训练集与测试集为新样本集，以供后续步骤查询K最近邻；自适应K值计算，计算不同测试集样本的K最近邻样本特征分布紧凑程度即密度，并基于密度为不同测试集样本赋予自适应的K值，提高对少类别样本的泛化性；未知恶意流量检测，统计测试集样本K最近邻中归属训练集的样本数量，并基于该数量判定是否为未知恶意流量，精确识别未知恶意流量。本发明充分利用测试集样本，更加精确地区分已知与未知恶意流量，以便网络管理员采取针对性防御措施，提高计算机系统的安全性。

公开(公告)号：CN117614678A

公开(公告)日：2024-02-27

申请号：CN202311577656.5

申请日：2023-11-23

Applicant: 电子科技大学 ,  四川省数字经济研究院(宜宾)

Inventor： 曹晟 ,  王岩 ,  胡芯玮 ,  陈自东 ,  文斌 ,  刘鹏飞 ,  张淋 ,  闵锐 ,  张小松

IPC: H04L9/40 ,  G06F18/10 ,  G06F18/213 ,  G06F18/214 ,  G06F18/2431

Abstract: 本发明公开了一种基于长尾类增量学习的网络流量分类方法。包括：长尾数据预处理与加载，解析流量并移除无效特征，采用经验重放技术帮助流量分类模型回忆旧类别知识，并通过类均衡采样平衡流量类别分布，生成类别分布平衡的数据集，避免流量分类模型产生分类偏差；在此基础上，增量模型构建与训练，通过多头知识蒸馏损失将旧模型知识传递至新模型，在不遗忘旧知识的同时学习新类别带来的信息，通过多阶段学习分别训练特征提取器与分类器，实现新旧类别攻击的高精度分类。本发明能够从分布不平衡的流量中增量学习新知识，仅使用少量旧类别样本就可以实现全流量类别的准确分类。

公开(公告)号：CN119788411A

公开(公告)日：2025-04-08

申请号：CN202510245467.0

申请日：2025-03-04

Applicant: 电子科技大学 ,  四川省数字经济研究院(宜宾)

Inventor： 曹晟 ,  王岩 ,  彭俊杰 ,  管韫之 ,  张淋 ,  代洋 ,  张小松

IPC: H04L9/40 ,  G06F18/2413

Abstract: 本发明提供了一种基于自适应K最邻近的未知恶意流量检测方法，包括：构建新样本集，合并训练集与测试集为新样本集，以供后续步骤查询K最近邻；自适应K值计算，计算不同测试集样本的K最近邻样本特征分布紧凑程度即密度，并基于密度为不同测试集样本赋予自适应的K值，提高对少类别样本的泛化性；未知恶意流量检测，统计测试集样本K最近邻中归属训练集的样本数量，并基于该数量判定是否为未知恶意流量，精确识别未知恶意流量。本发明充分利用测试集样本，更加精确地区分已知与未知恶意流量，以便网络管理员采取针对性防御措施，提高计算机系统的安全性。