-
公开(公告)号：CN111860498B
公开(公告)日：2023-12-19
申请号：CN202010620936.X
申请日：2020-07-01
Applicant: 广州大学 , 中国人民解放军国防科技大学
Abstract: 本发明公开了一种车牌的对抗性样本生成方法、装置及存储介质，该方法先获取基准图像和多个非基准图像，并对图像进行预处理后获得第一车牌图像集；然后计算第一车牌图像集的平均图像，并根据识别模型的错误识别概率，确定对抗条纹在评价图像中的放置位置，再根据识别模型的损失函数，计算对抗条纹在平均图像中的放置位置时各点对应的像素值；最后结合打印后的对抗条纹和真实车牌，通过采集获得该识别模型的对抗性样本。采用本发明技术方案能够实现在真实物理世界中的对抗攻击，从而提高车牌检测识别系统的鲁棒性和防御对抗攻击的能力。
-
公开(公告)号：CN113610114B
公开(公告)日：2023-08-08
申请号：CN202110782315.6
申请日：2021-07-09
Applicant: 广州大学
IPC: G06V10/62 , G06V20/54 , G06V10/774 , G06V10/764 , G06V10/74 , G06V10/44 , G06V10/82 , G06T3/40 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种车辆重识别方法、系统、计算机设备和存储介质，所述方法包括：将车辆图像输入第一神经网络，从中提取全局特征，并对所述全局特征进行训练，得到全局分支重识别结果；对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块；对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块；将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果；将所述全局分支重识别结果和所述局部分支重识别结果加权求和，得到重识别结果。本发明能够解决车辆重识别中类间相似和类内差异问题，减少计算过程中的噪声，提高重识别的准确率，同时在一定程度上解决了遮挡问题。
-
公开(公告)号：CN112669978B
公开(公告)日：2022-03-04
申请号：CN202011317829.6
申请日：2020-11-23
Applicant: 广州大学
Abstract: 本发明公开了一种疫情感染风险评估方法，包括：获取患者的移动终端号或身份证号，并根据移动终端号或身份证号从运营商轨迹接口中获取患者对应的轨迹信息；从患者的轨迹信息中提取基站轨迹，并通过通行方式判断算法得到患者通过基站时的通行方式；根据基站轨迹获取患者进出基站时间，并将患者进出基站时间按照预设时间片进行时间片切分；统计预设时间内进出基站相同通行方式相同时间片内的人数，将相同通行方式的人数乘以对应的权重，得到每个通行方式的风险值，再将基站所有通行方式的风险值相加，得到基站的疫情感染风险度，实现地区的疫情感染风险评估。本发明实现了地区和个人的疫情感染风险自动评估，且评估依据多，评估结果准确。
-
公开(公告)号：CN112637781A
公开(公告)日：2021-04-09
申请号：CN202011318016.9
申请日：2020-11-23
Applicant: 广州大学
Abstract: 本发明涉及一种基于基站轨迹的用户通行方式判别方法，包括：获取待判别用户通行基站的轨迹信息；根据轨迹信息提取特征，特征包括通过基站的耗时、进出基站时间区间范围、经过基站的人数、用户基于滑动窗口的“基站振荡”、基站聚类特征、基站连续时间内的统计特征、基站密度、基站自身通行方式统计特征；将提取的特征输入预先训练好的LightGBM模型，LightGBM模型输出待判别用户的通行方式。本发明从少量的基站基本信息中挖掘出了大量的新的重要特征，采用了集成学习中的LightGBM算法，能够根据挖掘的特征准确地从大量轨迹数据中学习到用户在基站中的运动规律，准确且高效的判判别用户的运动方式。
-
公开(公告)号：CN112508356A
公开(公告)日：2021-03-16
申请号：CN202011317789.5
申请日：2020-11-23
Applicant: 广州大学
Abstract: 本发明公开了一种基于强化学习模型的共享汽车平衡方法，包括：S1，接收用户的待用车请求或者待还车请求；S2，将待用车请求或者待还车请求输入预先建立好的强化学习模型，强化学习模型输出各个站点的用车奖励金或者还车奖励金；S3，用户遍历包含他自身的预设网格区域，在提供奖励金最多的站点进行取车或者还车。本发明能主动平衡共享汽车系统，由此可以大量减少人工调度成本，更好地平衡各站点的车辆分布，增加用户的用车体验，提到商家的服务率。
-
Patent Agency Ranking
公开(公告)号：CN112508240A
公开(公告)日：2021-03-16
申请号：CN202011317989.0
申请日：2020-11-23
Applicant: 广州大学
Abstract: 本发明公开了一种物料运输的自动调度方法，包括：S1，获取流程图中的所有物料被加工成中间件，最终加工出成品的路径集合；S2，根据物料加工场地顺序以及其他参数，计算出每段运输区间的最短运输时间；S3，将每种物料生产时间和最短运输时间相加，得到每种物料生产运输时间，将一条路径中的所有物料的生产运输时间相加，得到每条路径生产运输的最短时间；S4，将最短时间最长的路径作为该流程图的最长路径，假设所有物料从第0天开始生产，根据每种物料生产运输时间使用贪心算法计算出所有物料运输时间不冲突的区间。本发明能大大提高计算效率并降低计算复杂度。
-
公开(公告)号：CN109522409A
公开(公告)日：2019-03-26
申请号：CN201811313932.6
申请日：2018-11-06
Applicant: 广州大学
IPC: G06F16/35
Abstract: 本发明一种词汇分布敏感的话题表示模型生成方法及装置，所述方法包括如下步骤：步骤S1，对给定的文档集合，通过LDA模型得到每个话题的话题-词汇分布ρ(θ)LDA；步骤S2，对所述文档集合中的每个词汇，计算词汇的外部权重；步骤S3，对每个话题中的每个词汇，计算词汇的内部权重；步骤S4，根据每个词汇的内部权重和外部权重，计算每个词汇的最终分布权重；步骤S5，根据词汇的最终分布权重对每个话题计算词汇分布敏感的话题表示模型，本发明可提高不同话题词项的区分度更高，提高后续使用话题模型进行话题发现、演化分析等算法的准确度。
-
公开(公告)号：CN119862569A
公开(公告)日：2025-04-22
申请号：CN202411634075.5
申请日：2024-11-15
Applicant: 广州大学
IPC: G06F21/56 , G06F18/214 , G06N3/092 , G06N5/01
Abstract: 本发明公开了一种基于APT组织恶意代码的对抗样本生成方法，首先使用序列模式挖掘算法从良性代码中提取良性子序列集合；接着构造每一良性子序列的有向图得到扰动动作集；然后将原始恶意序列输入目标检测模型进行检测，识别出原始恶意序列中最易受攻击的位置；随后从扰动动作集中选择良性子序列在最易受攻击的位置进行插入，利用深度Q网络算法找到插入的最优良性子序列得到对抗序列；最后将对抗序列应用于实际的恶意代码中得到对抗样本。本申请通过构造扰动动作集并结深度Q网络算法优化插入，生成的对抗样本能够成功绕过现有的检测模型，同时保留恶意代码的原有功能，增强了攻击的隐蔽性。
-
公开(公告)号：CN119337374A
公开(公告)日：2025-01-21
申请号：CN202411206762.7
申请日：2024-08-30
Applicant: 广州大学
IPC: G06F21/56 , G06F18/214 , G06F18/2415 , G06F18/2431 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于将对抗策略集成到深度自编码器的恶意软件检测方法及装置，方法包括：从样本中提取多个单特征并进行预处理，获取真实样本集；利用异常分数计算网络重构真实样本集，生成与真实样本集分布相似的伪样本集，对真实样本集和伪样本集进行判别分类，获取真实样本概率，满足设定条件时，利用真实样本概率计算异常分数值；利用深度特征提取网络通过真实样本集的深层特征结构，获取深层特征；利用异常分数值和深层特征进行决策，根据决策结果对恶意软件进行检测。本发明通过深度特征提取和异常分数计算两个子网络的协同作用，显著提升了对新型和隐蔽恶意软件的检测能力。
-
公开(公告)号：CN119337132A
公开(公告)日：2025-01-21
申请号：CN202411207785.X
申请日：2024-08-30
Applicant: 广州大学
IPC: G06F18/214 , G06F18/15 , G06F21/56 , G06N3/045 , G06N3/0475 , G06N3/084 , G06N3/094 , G06N3/092
Abstract: 本发明公开了一种深度学习恶意软件检测模型的对抗样本生成方法，包括：数据选取和预处理，选取具有代表性的良性行为序列作为状态空间，并对原始的行为序列数据进行标准化、归一化以及降维处理；代码序列修改，针对选取的具有代表性的良性行为序列，寻找最佳插入恶意行为的位置并保持恶意功能，使用强化学习优化修改策略，生成对抗序列；对抗样本生成，对生成的对抗序列进行质量评估，输入至恶意软件检测模型进行检测，在逃避检测模型的检测后，将序列映射回源代码生成新的恶意软件以用于后续研究和训练。本发明方法实现对抗性样本的高效生成和优化，帮助研究优化恶意软件检测模型，有助于提高基于对抗训练的恶意软件检测性能与可靠性。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.022 seconds)
