-
公开(公告)号：CN112381149B
公开(公告)日：2024-03-29
申请号：CN202011283607.7
申请日：2020-11-17
Applicant: 大连理工大学
IPC: G06F18/2413 , G06F18/214 , G06N3/0464 , G06N3/098
Abstract: 一种基于深度学习用于源相机识别的合理对抗分析方法,属于计算机图像处理技术领域。技术方案：采用耦合性编码的方式训练网络；使用神经网络引入了类似于复制粘贴方法的攻击模式；使用基于特征的联合自动学习攻击；基于噪声再训练方法的关系不匹配防御策略。有益效果：本发明所述的基于深度学习用于源相机识别的合理对抗分析方法采用复制粘贴攻击和联合特征自学习攻击的方法生成具有良好泛化性能的攻击；同时，本发明采用多任务学习的方法生成来源鉴别模型；并采用噪声再训练的方式扩展不同相机类型之间的关系误失配；这种关系误失配的方法可以精确的识别对抗样本。
-
公开(公告)号：CN117079096A
公开(公告)日：2023-11-17
申请号：CN202310787847.8
申请日：2023-06-30
Applicant: 大连理工大学
IPC: G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 一种基于残差信息蒸馏的小样本相机来源鉴别方法，属于图像取证技术领域，本发明将基于富样本数据集训练的教师模型权重知识信息迁移到基于小样本数据集训练的学生模型中，实现知识信息的迁移；解决了小样本数据集的信息不充分的问题；本发明将教师网络和学生网络相同层级间的残差信息传递给学生网络的更深层次，实现跨层次残差知识的蒸馏，进一步提高了模型间的知识信息交互能力；本发明使用注意力融合模块实现学生模型的跨层次特征自适应聚合，并基于分层上下文损失模块将知识信息分离为不同层次的上下文信息并计算蒸馏损失，最后使用最终损失模块将学生模型的预测损失和蒸馏损失进行加权求和得到最终损失。
-
公开(公告)号：CN116992282A
公开(公告)日：2023-11-03
申请号：CN202310825436.3
申请日：2023-07-06
Applicant: 大连理工大学
IPC: G06F18/214 , G06F18/241 , G06F18/25 , G06N20/20
Abstract: 本发明提供一种基于半监督联邦学习的多分类器集成训练方法，主要包括：客户端设计分类模型并将得到的个性化本地模型发送至可信中心服务器；中心服务器端收集多方客户端模型形成“模型池”进行有监督训练；多方客户端利用中心服务器发来的“模型池”，对本地数据进行分类；多方客户端利用本地标签数据对模型进行交错训练，并上传至可信中心服务器；中心服务器对“模型池”中的分类器模型进行联邦聚合，并对聚合后的分类器进行微调整，之后发送至多方客户端。本发明基于联邦学习框架，使用少量有标签数据和大量无标签私有数据进行训练，合理使用公开数据资源，融合用户个性化需求，有效保护多方参与用户的隐私信息。
-
公开(公告)号：CN116895100A
公开(公告)日：2023-10-17
申请号：CN202310745242.2
申请日：2023-06-21
Applicant: 大连理工大学
IPC: G06V40/40 , G06V40/16 , G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种基于空频特征融合的知识蒸馏深度伪造检测方法及系统，包括：构建知识蒸馏框架下的教师模型和学生模型，所述教师模型和所述学生模型均采用空频融合分支作为骨干网络；利用原始图像训练教师模型；用成对的原始图像和压缩图像输入知识蒸馏框架的方式训练学生模型，所述学生模型训练过程中，所述教师模型的空频特征、软标签和所述学生模型的硬标签作为所述学生模型的监督；利用训练好的学生模型进行图像的深度伪造检测。本发明将空域和频域信息集成在知识蒸馏框架内，以实现高效的深度伪造检测，该方法在压缩场景下性能优越。
-
公开(公告)号：CN114757877A
公开(公告)日：2022-07-15
申请号：CN202210229571.7
申请日：2022-03-09
Applicant: 大连理工大学
Abstract: 一种基于频域滤波残差的深度伪造检测方法，属于图像分类的技术领域，包括预处理模块和分类模块，包括如下步骤：通过对图像进行哈尔小波变换，得到图像的低频信息图；将原图的灰度图和低频信息图做残差运算，得到原图的中高频信息残差图；分类模块中，将原图和中高频信息残差图拼接之后输入卷积神经网络进行分类处理。通过哈尔小波变换和残差来得到图像的中高频域的特征，从而在频域中挖掘因为图像压缩导致的RGB域中被削弱或者污染的伪造痕迹，提高检测方法在检测压缩图像时的精度。将RGB图像和高频残差图像拼接起来作为卷积神经网络的输入，充分利用RGB域丰富的语义信息和中高频域的细节纹理信息，使检测方法对图像压缩拥有很好的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN114742239A
公开(公告)日：2022-07-12
申请号：CN202210225096.6
申请日：2022-03-09
Applicant: 大连理工大学
Abstract: 本发明提供一种基于联邦学习的金融保险理赔风险模型训练方法及装置，方法包括：中心节点生成同态加密的公钥，并发送给第一参与方P1和第二参与方Pi；第二参与方Pi计算加密聚合参数并发送至第一参与方P1；第一参与方P1计算聚合参数并发送给各第二参与方Pi；第一参与方P1和第二参与方Pi计算各自的参数梯度更新式并发送给中心节点进行解密并回传；第一参与方P1和第二参与方Pi在预先设定的学习率下进行模型参数更新，各参与方根据更新后的模型参数计算新的传播参数；迭代直至达到模型收敛条件。本发明考虑到金融风险评估应该考虑到用户多方面行为的特点，使用多方数据集联合训练模型，从而能够达到更好的模型训练效果。
-
公开(公告)号：CN112749790A
公开(公告)日：2021-05-04
申请号：CN202110081944.6
申请日：2021-01-21
Applicant: 大连理工大学
Abstract: 本发明公开了一种联邦学习场景下的全连接神经网络模型聚合方法，属于人工智能领域，该方法通过中央服务器向提供独立模型的所有用户下发神经网络的超参数和参数，每个用户根据从中央服务器得到的超参数建立统一的神经网络；每个用户将神经网络的初始值设为从中央服务器得到的参数，并利用各自的数据进行各自的神经网络训练；在各自的神经网络训练结束后，每个用户向中央服务器上传各自的神经网络参数，即用户模型参数；中央服务器收集所有用户模型参数，进行聚合，得到联合模型；中央服务器判定是否达到循环次数；通过逐层逼近由每个客户端模型得到的特征，可得到适合所有用户使用的统一模型；提高了联合模型的全局准确率和泛化能力。
-
公开(公告)号：CN110866287A
公开(公告)日：2020-03-06
申请号：CN201911050075.X
申请日：2019-10-31
Applicant: 大连理工大学
IPC: G06F21/64
Abstract: 一种基于权重谱生成对抗样本的点攻击方法,属于计算机图像处理技术领域。技术方案：计算奇异点及其邻近点(4或8个点)之间的平均距离作为评估指标区分包含奇异点的对抗样本；设计优化函数来提高抗检测性能，修改优化步骤以实现基于点的攻击，解决显著性谱存在的问题,最终实现设计新的基于点的攻击方法生成抗感知能力以及抗检测性能较好的对抗样本；选择直接对不稳定区域(权重较大的区域)设置更多的篡改，为方便权衡篡改点的数量、篡改程度以及攻击成功率引入新的约束。有益效果是:本发明用生成的权重谱决定需要篡改点的位置以及篡改程度，同时在指定篡改程度的前提下，可以采用固定点数或最少像素点攻击方法生成对抗样本。
-
公开(公告)号：CN114898438B
公开(公告)日：2024-09-17
申请号：CN202210586444.2
申请日：2022-05-27
Applicant: 大连理工大学
Abstract: 一种基于时频域视觉伪影特征自适应融合的跨模态深度伪造检测方法，属于深度伪造检测技术领域，其包括如下步骤：S1、从空间域提取能够表示原始图像整体模式的图像色彩特征；S2、提取两种不同的频域特征，一是浅层低频特征，直接从原始的输入图像提取浅层低频特征，使用浅层低频特征将原始rgb图像扩展到频域；另一是深度频域特征，提取输入图像的残差图，使用卷积提取器提取高频特征。S3、使用由门控卷积组成的自适应特征融合模块将浅层低频特征和深度频域特征融合，使得不同分支的特征在分类阶段得到充分表达。本发明在众多数据集上做了大量的实验，实验结果证明了我们方法的有效性和鲁棒性。
-
公开(公告)号：CN117973563A
公开(公告)日：2024-05-03
申请号：CN202410165037.3
申请日：2024-02-05
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
IPC: G06N20/00 , G06F21/62 , G06N3/0464 , G06V10/764 , G06V10/82 , G06V10/26
Abstract: 本发明提供一种实现多客户端协作的多任务联邦学习系统，包括：分割客户端S和分类客户端C；所述分割客户端S或分类客户端C的数量为一个或多个，每个分割客户端S或每个分类客户端C均持有一个本地模型；所述分割客户端S和分类客户端C均为U‑net网络结构。本方法将联邦学习与多任务学习相结合，使实现不同任务的客户端可以进行联合训练，最大程度上利用了现有数据，提升客户端模型效果。相较传统的单任务联邦学习方法而言，本任务更广泛地利用了现有数据，为现实场景中应用深度学习处理医疗影像提供了新方法，为联邦学习进一步的发展提供了新的思路。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.081 seconds)
