-
公开(公告)号：CN117541969B
公开(公告)日：2024-04-16
申请号：CN202410028136.7
申请日：2024-01-09
申请人： 四川大学
IPC分类号： G06V20/40 , G06V10/762 , G06V10/764 , G06V10/82 , G06V10/774 , G06V40/10 , G06V40/20 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/08
摘要： 本发明公开了一种基于语义和图像增强的色情视频检测方法，不仅在面对较暗光照、添加噪声和背景复杂的视频中保持较好的检测精度，而且充分考虑了检测效率，降低了检测时延；包括下述步骤：将目标视频输入关键帧抽取模块中，综合使用预采样、图像熵、密度聚类和局部帧差分处理技术，获得关键帧集合；图像增强模块利用光照增强和生成对抗网络技术，分别从抗暗光干扰和抗噪声干扰两方面增强关键帧集合中的关键帧，得到经过去噪处理的关键帧；采用YOLOv5目标检测网络构建的语义增强模块定位经过去噪处理的关键帧中人体目标；使用MobileNetV3图像分类网络构建的色情检测模块，在引入特征融合与注意力机制的情况下进行色情视频和正常视频的分类。
-
公开(公告)号：CN115798055A
公开(公告)日：2023-03-14
申请号：CN202310097454.4
申请日：2023-02-10
申请人： 四川大学
IPC分类号： G06V40/20 , G06T7/246 , G06V20/40 , G06V10/62 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于cornersort跟踪算法的暴力行为检测方法，解决现有技术检测准确率低、漏检、误判、识别能力差的不足，收集暴力视频训练集，对视频帧数据进行统一裁剪后使用cornersort行人跟踪模块处理人体骨架数据，生成骨架运动特征分量；并输入到RGB外观信息补充模块，利用轻量级RGB空间特征提取网络将骨架附近的外观信息补充到骨架运动特征分量中，输出得到具有RGB外观信息的骨架运动特征分量；而后送入基于transformer注意力机制的时空图模块中，计算出空间注意力权值图和时间注意力权值图，并分别与骨架运动特征分量在空间和时间上进行权重分配后，逐步生成更高级别的特征，最后通过标准softmax分类器得到暴力或非暴力的置信度，得到是否存在暴力行为的检测结果。
-
公开(公告)号：CN115798055B
公开(公告)日：2023-04-28
申请号：CN202310097454.4
申请日：2023-02-10
申请人： 四川大学
IPC分类号： G06V40/20 , G06T7/246 , G06V20/40 , G06V10/62 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于cornersort跟踪算法的暴力行为检测方法，解决现有技术检测准确率低、漏检、误判、识别能力差的不足，收集暴力视频训练集，对视频帧数据进行统一裁剪后使用cornersort行人跟踪模块处理人体骨架数据，生成骨架运动特征分量；并输入到RGB外观信息补充模块，利用轻量级RGB空间特征提取网络将骨架附近的外观信息补充到骨架运动特征分量中，输出得到具有RGB外观信息的骨架运动特征分量；而后送入基于transformer注意力机制的时空图模块中，计算出空间注意力权值图和时间注意力权值图，并分别与骨架运动特征分量在空间和时间上进行权重分配后，逐步生成更高级别的特征，最后通过标准softmax分类器得到暴力或非暴力的置信度，得到是否存在暴力行为的检测结果。
-
公开(公告)号：CN111901811A
公开(公告)日：2020-11-06
申请号：CN202010589507.0
申请日：2020-06-24
申请人： 四川大学
摘要： 本发明公开了一种基于节点协同的邻居发现方法。本发明根据低占空比无线传感器网络的特点，设计了一种基于节点协同的邻居发现方法。该方法基于信号的接收强度将特定距离阈值内的节点视为一个协作组，并对组中所有节点的苏醒时隙进行重新规划，使得组内节点共同负责该协作组的苏醒时刻表的苏醒任务。同时，该方法研究了能最大化协作组能效的最佳组规模，定量分析了对协作组能效影响不可忽略的因素，并推导了使协作组能效最优的所有参数的最佳值。相应的，该方法设计了一套协作组管理机制，协作组整个生命周期包括组建小组、组信息共享、小组协作及解散小组。该邻居发现方法在保证节点苏醒时刻表的完整性的同时，可以有效减少低能效的苏醒时隙。
-
公开(公告)号：CN115481373A
公开(公告)日：2022-12-16
申请号：CN202211149933.8
申请日：2022-09-21
申请人： 四川大学
摘要： 本发明公开了一种安全的数据标识解析方法，能够有效解决现有技术的不足，在现有数字编码体系基础之上建立了开放的逻辑标识体系ODID，屏蔽了现有编码体系的差异，实现各编码体系的数据互通，解决了信息孤岛问题；引入了一种逻辑数字编码用于屏蔽用户采用多种编码体系的差异，并利用区块链、分布式存储、密码学与缓存技术实现可靠可信的快速溯源，包括下述步骤：1）共享数据的用户在确保待共享的数据是可靠、完整的前提下，采用分布式分块加密的形式存储待共享的数据；2）屏蔽现有数字标识体系的差异，对需要共享的数据进行统一编码，并分发ODID编码；3）使用共享数据的用户利用ODID编码方便快速得到可靠的被共享的数据。
-
公开(公告)号：CN109597944B
公开(公告)日：2022-04-01
申请号：CN201811276813.8
申请日：2018-10-30
申请人： 四川大学
IPC分类号： G06F16/9536 , G06K9/62
摘要： 本发明公开了一种基于深度信念网络的单分类微博谣言检测模型，进行谣言的甄别，其特征在于：包括下述具体步骤：1）进行关键用户节点选择，在微博中选择有影响力和有代表性的用户；2）数据的爬取及数据预处理；3）采用深度信念网络将步骤2）预处理后的数据进行特征提取与降维；4）采用SVDD算法进行谣言甄别；该模型基于关键用户的数据收集模式，并将深度信念网络微博谣言检测之中，通过深度信念网络的非线性变换与层层递进实现了特征提取与降维，采用单分类问题中的支持向量数据描述用于谣言的识别。
-
公开(公告)号：CN113343126A
公开(公告)日：2021-09-03
申请号：CN202110903231.3
申请日：2021-08-06
申请人： 四川大学
IPC分类号： G06F16/9536 , G06F40/30 , G06N3/04
摘要： 本发明公开了基于事件与传播结构的谣言检测方法，提取每个事件中的源帖信息，并通过基于情感极性的双向编码器表示技术对源帖信息进行文本数据增强；然后构建传播关系，同时，将增强后的文本向量特征加入到传播关系的根节点中，与传播关系结合，形成树型传播结构，再从根节点开始，通过转发及响应关系而形成的自前向后的正向树型传播结构和将由社区内各个分散节点聚集到上层根节点表示形成自后向前的反向树型传播结构分别输入到FRBi‑GCN中；最后，对传播树中包含根节点以及转发节点在内的所有节点进行节点增强操作，并通过softmax分类器鉴别出该事件是否是谣言。
-
公开(公告)号：CN111199233A
公开(公告)日：2020-05-26
申请号：CN201911398435.5
申请日：2019-12-30
申请人： 四川大学
摘要： 本发明公开了一种改进的深度学习色情图像识别方法，获取每个原始图像的尺度信息，将每个原始图像的最短边固定为统一的尺寸大小，另外一边按原始图像的比例进行缩放，得出图像标准化后的图像；提取图像的紧凑表示；并在此基础上添加高斯噪声攻击得到输出向量，对其进行训练并得到输出特征图，而后依次通过通道注意力模型和空间注意力模型，输出具有注意力机制的注意力机制特征图，而后输入到特征空间组合网络内进行卷积操作，输出特征向量；在其基础上，通过解码网络形成数据，结合输入对该部分进行优化；在输出特征向量的基础上，添加零中心的高斯噪声产生伪类数据，然后将第一损失函数和第二损失函数进行加权联合训练，得到色情图像识别模型。
-
公开(公告)号：CN106096029B
公开(公告)日：2020-01-14
申请号：CN201610475961.7
申请日：2016-06-27
申请人： 四川大学
IPC分类号： G06F16/9536 , G06Q50/00
摘要： 本发明公开了一种基于用户双向关系的推荐方法，根据用户对已有的项目的评分记录，计算用户之间的正向和反向相似度，并得到用户的正向和反向相似用户群，然后通过正向相似用户群和反向相似用户群的加权评分预测用户评分；在二值评分模式或多值评分模式下进行，包括：1）根据用户已有的项目的评分记录，计算用户之间的正向相似度和反向相似度；2）创建正向相似用户群和反向相似用户群；3）根据正向和反向相似用户群，预测出目标用户对未知项目的评分；4）产生推荐；为了缓解数据稀疏时相似用户不足导致评分预测不准确的问题，在用户相似关系的基础上，进一步挖掘用户近似相反或反向相似关系的作用，结合用户的正反双向相似关系产生最终推荐。
-
公开(公告)号：CN109597944A
公开(公告)日：2019-04-09
申请号：CN201811276813.8
申请日：2018-10-30
申请人： 四川大学
IPC分类号： G06F16/9536 , G06K9/62
摘要： 本发明公开了一种基于深度信念网络的单分类微博谣言检测模型，进行谣言的甄别，其特征在于：包括下述具体步骤：1）进行关键用户节点选择，在微博中选择有影响力和有代表性的用户；2）数据的爬取及数据预处理；3）采用深度信念网络将步骤2）预处理后的数据进行特征提取与降维；4）采用SVDD算法进行谣言甄别；该模型基于关键用户的数据收集模式，并将深度信念网络微博谣言检测之中，通过深度信念网络的非线性变换与层层递进实现了特征提取与降维，采用单分类问题中的支持向量数据描述用于谣言的识别。
-
-
-
-
-
-
-
-
-
搜索结果
16 条记录 (耗时 0.025 秒)
