-
公开(公告)号：CN114116715B
公开(公告)日：2024-06-21
申请号：CN202111382472.4
申请日：2021-11-22
Applicant: 中国电子科技集团公司第三十研究所 , 中国电子科技网络信息安全有限公司 , 西南交通大学
IPC: G06F16/22 , G06F16/2455 , G06F21/60
Abstract: 本发明公开了一种保护数据机密性的密态知识图谱的存储构建及检索方法，其中存储构建方法包括以下步骤：S1、将属性图数据模型转化为键‑值数据模型；S2、对键‑值数据中的键进行排序，为每对键‑值生成Pos值；S3、为每对键‑值中的键生成一对陷门，用于密态索引的构建和检索；S4、对每对键‑值数据分别进行非确定性加密；S5、基于加密后的键‑值数据、Pos值以及陷门，在数据存储端中构建密态索引以及数据持久化。本发明可解决现有知识图谱数据在不完全可信的云服务器上存储和一跳子图检索的安全性问题。
-
公开(公告)号：CN114116715A
公开(公告)日：2022-03-01
申请号：CN202111382472.4
申请日：2021-11-22
Applicant: 中国电子科技集团公司第三十研究所 , 中国电子科技网络信息安全有限公司 , 西南交通大学
IPC: G06F16/22 , G06F16/2455 , G06F21/60
Abstract: 本发明公开了一种保护数据机密性的密态知识图谱的存储构建及检索方法，其中存储构建方法包括以下步骤：S1、将属性图数据模型转化为键‑值数据模型；S2、对键‑值数据中的键进行排序，为每对键‑值生成Pos值；S3、为每对键‑值中的键生成一对陷门，用于密态索引的构建和检索；S4、对每对键‑值数据分别进行非确定性加密；S5、基于加密后的键‑值数据、Pos值以及陷门，在数据存储端中构建密态索引以及数据持久化。本发明可解决现有知识图谱数据在不完全可信的云服务器上存储和一跳子图检索的安全性问题。
-
公开(公告)号：CN115221539A
公开(公告)日：2022-10-21
申请号：CN202210766962.2
申请日：2022-07-01
Applicant: 中国电子科技集团公司第三十研究所
IPC: G06F21/60 , G06F21/62 , G06F21/57 , G06F16/172 , G06F16/13
Abstract: 本发明公开了一种基于机密计算和可搜索加密的知识图谱密态存储方法，该方法包括以下步骤：将非原生属性图作为知识图谱的数据模型，并将属性图模型转化为KV模型；基于KV模型，采用动态可搜索加密构建属性的密态索引；根据构建的构建属性的密态索引，基于机密计算对LevelDB键值存储引擎进行安全优化，通过优化后的LevelDB键值存储引擎提供KV数据存储引擎服务。本发明即有效避免加密操作对知识图谱数据功能性的影响，又可以对知识图谱数据的机密性、完整性以及新鲜度做出安全保障，从而保障外包到云服务提供商的知识图谱数据的功能性和安全性。
-
公开(公告)号：CN114462685B
公开(公告)日：2025-05-13
申请号：CN202210032572.2
申请日：2022-01-12
Applicant: 中国铁道科学研究院集团有限公司 , 中国铁道科学研究院集团有限公司电子计算技术研究所 , 西南交通大学
Abstract: 本发明提供一种基于时序卷积注意力的多路段列车客流预测方法及装置，方法包括：获取多路段列车客流数据；将多路段列车客流数据输入多路段客流预测模型中，获得多路段客流预测模型输出的多路段列车客流预测数据；其中，多路段客流预测模型通过多路段列车客流样本数据训练获得，多路段客流预测模型包括线性单元和非线性单元，多路段列车客流预测数据是将多路段列车客流数据分别通过线性单元和非线性单元后输出的结果相加得到的。本发明通过同时捕获多路段客流中的线性特征以及空间关系、短期时序和长期时序特征，对铁路客流的不同特征进行深入挖掘，从多个方面深度、完整地表示客流的时间和空间特征，提高客流预测的效果。
-
公开(公告)号：CN119917857A
公开(公告)日：2025-05-02
申请号：CN202411981644.3
申请日：2024-12-31
Applicant: 西南交通大学
IPC: G06F18/214 , G06F18/213 , G06F18/22 , G06F18/241 , G06F18/25 , G06N3/084 , G06N5/04
Abstract: 本发明公开了一种噪声驱动的小样本分布外检测方法及系统，包括以下步骤：步骤1：获取数据集，包括小样本训练集、测试集；步骤2：构建检测模型，检测模型包括数据编码模块、噪声提取模块、融合检测模块；步骤3：对噪声区域集进行噪声增强，结合干净区域集构建损失函数，根据损失函数采用梯度反向传播算法对检测模型进行训练，采用测试集对检测模型进行测试；步骤4：根据测试后的检测模型进行小样本分布外检测；本发明解决了当前小样本分布外检测方法噪声鲁棒性差的问题，提升了小样本学习模型的ID分类和OOD检测性能。
-
Patent Agency Ranking
公开(公告)号：CN119580116A
公开(公告)日：2025-03-07
申请号：CN202411656673.2
申请日：2024-11-19
Applicant: 西南交通大学
IPC: G06V20/13 , G06V10/52 , G06V10/764 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于多聚内核的遥感图像目标动态检测方法，属于遥感图像检测领域，该方法包括：采集遥感图像，并对YOLOv8模型进行优化，利用优化后的YOLOv8模型主干网络中基于多聚内核的跨阶段特征融合模块对遥感图像进行信息提取，得到不同尺度的特征图；利用颈部网络对特征图进行动态上采样，响应于颈部网络输出上采样特征图，添加动态检测头并利用注意力机制对上采样特征图进行优化以及特征融合，得到融合特征图；对特征图进行分类，得到分类后的目标检测结果。本发明解决了现有技术在多类别数据集上的实验效果不充分、小目标数量多、遥感图像目标尺度变化大和分布密集以及复杂背景下的检测情况的问题。
-
公开(公告)号：CN119250138A
公开(公告)日：2025-01-03
申请号：CN202411257061.6
申请日：2024-09-09
Applicant: 西南交通大学
IPC: G06N3/0499 , G06N3/08 , G06F40/284 , G06F16/35 , G06V10/764
Abstract: 本发明公开了一种基于类知识增强的多模态大模型提示学习方法，属于提示学习技术领域，包括以下步骤：为目标任务初始化一组提示词；获取目标任务各个类别的词向量，并将词向量拼接之至提示词后，得到类别特定提示词；设计间隔自调节图片‑文本匹配损失函数；将类别特定提示词和图片依次输入至预训练的多模态大模型CLIP中，得到文本特征和图片特征；将文本特征和图片特征输入至间隔自调节图片‑文本匹配损失函数中计算分类损失，并将分类损失进行反向传播，更新提示词；通过更新后的提示词进行图片分类。本发明解决了现有提示学习方法存在模型在目标任务上性能越好，在未知新任务上性能越差的问题。
-
公开(公告)号：CN117216566B
公开(公告)日：2024-04-09
申请号：CN202311189197.3
申请日：2023-09-14
Applicant: 西南交通大学
IPC: G06F18/214 , G06N3/0895 , G06N3/098
Abstract: 本发明公开了一种基于局部‑全局伪标记的联邦半监督学习方法，步骤S1、在通信轮次t开始时，服务器将全局模型参数#imgabs0#传输到活动客户端；每个客户端在接收到参数后再利用全局模型#imgabs1#和上一轮通信轮次t‑1中训练得到的本地模型#imgabs2#在未标记数据的弱增强视图#imgabs3#上生成伪标签，并将其作为本地训练强增强视图的目标用于优化交叉熵损失；S2、本地训练结束后每个客户端将本地模型的参数#imgabs4#发回到服务器，服务器聚合这些参数并对其进行微调，最后得到一个新的全局模型#imgabs5#上述交替训练过程重复多次至全局模型收敛后结束。
-
公开(公告)号：CN117745240A
公开(公告)日：2024-03-22
申请号：CN202311853248.8
申请日：2023-12-28
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于多视图行人重识别的船舶人员管理系统，属于图像处理和船舶管理技术领域，包括采集子系统、优化子系统、重识别子系统、信息子系统、管理子系统和备份子系统；本发明实现了无接触原始图片采集，并对低质量的原始图片优化处理，弥补了单一识别技术的缺点和固定摄像头的视觉局限，且通过高效的人员特征比对识别，解决了难以在低质量监控图片的基础上对船舶人员高效识别和管理的问题。
-
公开(公告)号：CN116467299A
公开(公告)日：2023-07-21
申请号：CN202310441059.3
申请日：2023-04-23
Applicant: 西南交通大学
IPC: G06F16/215 , G06F18/214 , G06F18/2415 , G06F40/295 , G06F40/30 , G06N3/045 , G06N3/091
Abstract: 本发明公开一种基于预训练主动学习的重复数据融合检测方法，包括在标记数据集中生成候选对，并将候选对进行序列化获得序列化数据集；将序列化数据集输入NER模型来识别已知类型，并使用正则表达式来识别特定类型；对序列化数据集进行预处理；将预处理后的序列化数据集输入预训练模型Bert，将选择当前模型在未标记数据集中最不确定的数据，并进行标记，再将已标记的数据将输入标记数据集；使用R‑Drop策略进行数据增强对步骤4中的标记数据集进行增强；将增强后的标记数据集继续迭代，获得最终的标记数据集。本发明结合了结合主动学习算法，选择最有价值的数据进行手工标注，降低人工标注的成本，用少量数据快速提高模型的质量。
-
-
-
-
-
-
-
-
-
Search Results
170
records
(took 0.113 seconds)
