-
公开(公告)号：CN118965318A
公开(公告)日：2024-11-15
申请号：CN202411101397.3
申请日：2024-08-12
申请人： 西安交通大学
IPC分类号： G06F21/31 , G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/08 , G06F123/02
摘要： 本发明属于人机行为分析领域，公开了一种操作者身份类型识别方法、系统、设备及存储介质，包括：获取操作者的手工滑动数据以及操作对象的传感器数据；根据手工滑动数据和传感器数据，通过预训练的操作者身份类型识别模型，得到操作者的身份类型；其中，操作者身份类型识别模型在预训练时，通过设置相较于操作者身份类型识别模型的分类认证模块更细粒度的辅助分类认证模块，并结合分类认证模块的损失和辅助分类认证模块的辅助损失进行预训练。在数据采集过程中不涉及操作者隐私数据。在模型训练方面，使用了辅助训练方法，可以获取更细粒度标签的损失值，进一步和原损失结合指导模型整体的损失下降，提升整体模型的学习效率，优化训练过程，最终取得更好的分类性能。
-
公开(公告)号：CN114677714B
公开(公告)日：2024-10-01
申请号：CN202210326440.0
申请日：2022-03-30
申请人： 西安交通大学
IPC分类号： G06V40/12 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/0985
摘要： 本发明属于生物特征认证领域，公开了一种接触式指纹与非接触式指纹的匹配方法及相关装置，包括：获取待匹配的接触式指纹与非接触式指纹；提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹；将接触式指纹、接触式指纹的采样指纹、非接触式指纹以及非接触式指纹的采样指纹，输入预设的指纹匹配神经网络模型中，得到接触式指纹与非接触式指纹的高维特征向量；根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果，提升接触式指纹与非接触式指纹的匹配精确性，可以更加有效地运用于实际的应用场景。
-
公开(公告)号：CN118626838A
公开(公告)日：2024-09-10
申请号：CN202310226098.1
申请日：2023-03-09
申请人： OPPO广东移动通信有限公司 , 西安交通大学
IPC分类号： G06F18/214 , G06N3/04 , G06N3/08
摘要： 本申请公开了一种年龄段识别模型的训练方法、年龄段识别方法以及装置，涉及模型训练技术领域。获取多个训练用户各自对应的年龄信息，并获取电子设备在多个训练用户各自的使用过程中对应的屏幕滑动数据和传感器数据，对多个屏幕滑动数据和多个传感器数据进行预处理，获得多个训练用户各自对应的行为向量，对多个行为向量进行特征提取，获得多个训练用户各自对应的行为特征，通过深度网络模型对多个训练用户和多个行为特征进行学习，获得年龄段识别模型。本申请通过将屏幕触控数据和传感器数据作为训练数据对深度神经网络模型进行训练得到年龄段识别模型，可以实现通过对用户隐式身份信息识别的方式提升群体识别效果，以提升所能应用到的场景。
-
公开(公告)号：CN118334454A
公开(公告)日：2024-07-12
申请号：CN202410625993.5
申请日：2024-05-20
申请人： 西安交通大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/08
摘要： 本发明属于图像处理领域，公开了一种图像分类方法、系统、设备及存储介质，包括：获取待分类图像；将待分类图像输入至预设的鲁棒图像分类模型，得到分类结果；其中，鲁棒图像分类模型通过构建基于深度学习模型的图像分类模型，然后通过下述训练方式进行训练得到：获取初始训练图像样本并进行正常图像样本增广和对抗图像样本增广，得到训练数据集，以及通过训练数据集结合数据增强方法迭代训练图像分类模型，得到鲁棒图像分类模型；其中，在迭代训练过程中，依据训练图像样本的置信度，从训练数据集中筛选预设数量的训练图像样本作为下一迭代轮次的训练数据。提升深度学习模型在实际应用场景中的鲁棒性，提升通过深度神经网络模型处理图像分类的效率和鲁棒性。
-
公开(公告)号：CN114757336B
公开(公告)日：2024-06-18
申请号：CN202210356023.0
申请日：2022-04-06
申请人： 西安交通大学
摘要： 本发明属于机器学习领域，公开了一种深度学习模型对抗攻击敏感频带检测方法，通过构造成功对抗扰动集并将成功对抗扰动集中的对抗扰动转换至频域，得到频域成功对抗扰动集并利用掩码操作将其中的对抗扰动的高频成分与低频成分分离，得到分离结果并根据分离结果和原始图像集，得到若干高频成功对抗样本集与若干低频成功对抗样本集；将若干高频成功对抗样本集与若干低频成功对抗样本集输入深度学习模型，统计深度学习模型在每个高频成功对抗样本集与每个低频成功对抗样本集上的分类准确率；进而结合预设的分类准确率上限阈值和分类准确率下限阈值，得到深度学习模型的对抗攻击敏感频带，能够准确定位深度学习模型的对抗攻击敏感频带。
-
公开(公告)号：CN115934991A
公开(公告)日：2023-04-07
申请号：CN202211449688.2
申请日：2022-11-18
申请人： 西安交通大学
IPC分类号： G06F16/583 , G06N3/04 , G06N3/094
摘要： 本发明属于深度学习模型领域，公开了一种深度度量学习图像检索系统优化方法、系统、设备及介质，包括获取当前训练所用图片三元组批次，根据预设条件判断本批次图片所采用的扰动方式，根据预设扰动方式生成针对本批三元组对应的对抗扰动，即候选扰动和锚点扰动，前者包含可变向对抗攻击和崩塌关联自适应距离，后者包括距离比重对抗攻击损失函数和排名关系正则项，随后根据现有轮数调整对抗扰动的强度，形成对抗三元组，使用扰动方式对应的损失函数训练深度度量学习模型，一方面解决模型崩塌问题，使得模型良性样本召回率大幅上升，另一方面解决对抗攻击强度不足问题，使得模型鲁棒性得以提高。
-
公开(公告)号：CN113193567B
公开(公告)日：2023-03-28
申请号：CN202110197093.1
申请日：2021-02-22
申请人： 西安交通大学 , 武汉市工程科学技术研究院
摘要： 本发明属于电力系统负荷频率控制领域，公开了一种多区域不确定电力系统负荷频率控制方法、系统及设备，包括：获取多区域电力系统当前时刻的运行状态参数，根据多区域电力系统当前时刻的运行状态参数，通过预设的控制触发函数确定多区域电力系统的控制更新时刻，根据多区域电力系统控制更新时刻的运行状态参数，通过预设的控制方程得到电力系统控制信号，通过电力系统控制信号控制多区域电力系统负荷频率。多区域不确定电力系统负荷频率控制方法的控制触发函数，考虑了带有执行器故障的多区域电力系统的不确定性；其次，控制方程形式简单，实现起来更加方便、经济，能够使系统在保持稳定的情况下调节负荷频率，确保多区域电力系统安全经济运行。
-
公开(公告)号：CN113285441B
公开(公告)日：2023-03-21
申请号：CN202110462378.3
申请日：2021-04-27
申请人： 西安交通大学
IPC分类号： H02J3/00 , G06F18/2411 , G06Q50/06 , G06N20/10 , G06N3/088
摘要： 本发明属于智能电网领域，公开了一种智能电网LR攻击检测方法、系统、设备及可读存储介质，包括：获取智能电网的负荷数据；通过预设的异常检测模型进行负荷数据检测；当未检测到异常时，智能电网状态正常；否则，得到异常负荷数据；将异常负荷数据中各维度的负荷数据值分别作为负荷特征，对智能电网的各母线节点的所有负荷特征均进行热力图相关性分析，得到各母线节点的各热力块的相关系数，确定包含目标热力块的数量大于预设数量的母线节点为LR攻击节点。实现了LR攻击节点的精确定位，可以简单高效直观的定位脆弱负荷节点，为防御措施提供重要信息。不需要建立大量的保护设备实现集中保护关键节点的防御方法，实现了设备和时间成本的大幅削减。
-
公开(公告)号：CN114757336A
公开(公告)日：2022-07-15
申请号：CN202210356023.0
申请日：2022-04-06
申请人： 西安交通大学
IPC分类号： G06N3/04 , G06N3/08 , G06K9/62 , G06V10/764 , G06V10/82
摘要： 本发明属于机器学习领域，公开了一种深度学习模型对抗攻击敏感频带检测方法，通过构造成功对抗扰动集并将成功对抗扰动集中的对抗扰动转换至频域，得到频域成功对抗扰动集并利用掩码操作将其中的对抗扰动的高频成分与低频成分分离，得到分离结果并根据分离结果和原始图像集，得到若干高频成功对抗样本集与若干低频成功对抗样本集；将若干高频成功对抗样本集与若干低频成功对抗样本集输入深度学习模型，统计深度学习模型在每个高频成功对抗样本集与每个低频成功对抗样本集上的分类准确率；进而结合预设的分类准确率上限阈值和分类准确率下限阈值，得到深度学习模型的对抗攻击敏感频带，能够准确定位深度学习模型的对抗攻击敏感频带。
-
公开(公告)号：CN114626507A
公开(公告)日：2022-06-14
申请号：CN202210253524.6
申请日：2022-03-15
申请人： 西安交通大学
摘要： 本发明属于机器学习领域，公开了一种生成对抗网络公平性分析方法、系统、设备及存储介质，包括以下步骤：分析待分析属性，构建属性分类器；分析待分析生成对抗网络能否获取大量生成样本；能则获取并收集待分析生成对抗网络的大量生成样本；否则根据待分析生成对抗网络的特点，在本地构建影子模型，并利用影子模型优化待分析生成对抗网络的输入噪音，再用优化噪音，获取并收集待分析生成对抗网络的少量生成样本；利用属性分类器与属性提取函数实现待分析生成对抗网络的公平性分析。该分析方法根据待分析生成对抗网络的实际使用场景，构建了基于大量样本以及少量优化样本的两种分析流程，有效提升待分析生成对抗网络公平性分析的适用性与成功率。
-
-
-
-
-
-
-
-
-
搜索结果
122 条记录 (耗时 0.037 秒)
