-
公开(公告)号：CN117034071A
公开(公告)日：2023-11-10
申请号：CN202310582943.9
申请日：2023-05-23
申请人： 西安理工大学
IPC分类号： G06F18/24 , G06F18/214 , G06N3/094 , G06F18/243
摘要： 本发明公开了基于深度神经网络的对抗样本检测方法，旨在有效检测对神经网络模型产生误导性预测结果的对抗样本；首先基于神经网络输出的一阶梯度与二阶梯度来检测对抗样本，然后，通过准备常用的对抗样本攻击方法和原始样本数据集，生成不同攻击方法得到的对抗样本数据集，并与原始样本集合并，计算支持集样本的一阶梯度与二阶梯度的模长与方差作为特征，并使用该样本是否为对抗样本作为标签，得到检测器训练集；最后，利用检测器训练集训练XGBOOST模型，得到对抗样本检测器，从而对待检测样本进行检测，该方法具有较高的检测准确率，检测速度较快，可广泛应用于离线、在线等图像任务的对抗样本防御场景中。
-
公开(公告)号：CN115510445A
公开(公告)日：2022-12-23
申请号：CN202211308160.3
申请日：2022-10-25
申请人： 西安理工大学
摘要： 本发明公开了一种基于深度学习的Android恶意程序检测方法，步骤包括：收集Android恶意AKP样本和正常AKP样本，通过反编工具输出反编译文件，提取反编译文件权限特征、API特征和3‑Gram特征，并转化为特征向量作为训练接样本，对建立的CNN‑BiLSTM‑Attention模型，该模型过CNN获取样本的局部特征，BiLSTM获取全局特征，在BiLSTM中采用注意力机制来降低噪声干扰、突出重要特征；最后将两类特征进行融合训练，之后采用训练好的CNN‑BiLSTM‑Attention模型进行恶意程序检测。本发明解决了使用单特征导致的覆盖面不够广泛的问题，提高模型的预测准确率。
-
公开(公告)号：CN112935529A
公开(公告)日：2021-06-11
申请号：CN202110349241.7
申请日：2021-03-31
申请人： 西安理工大学
IPC分类号： B23K26/04 , B23K26/08 , B23K26/362 , B23K26/70
摘要： 本发明公开了一种用于激光精密加工的装置，包括光电传感器阵列架，光电传感器阵列架的中心处设有激光头，激光头的正下方设有加工平台，加工平台上设有加工工件，激光头经激光出光口发射的激光束垂直照射至加工工件上，所述激光束对加工工件进行烧蚀产生等离子体辐射光信号；加工平台的下方设有三自由度平移台。本发明还公开了一种用于激光精密加工的装置的加工方法，本发明解决了目前行业内无法自动精准地跟随激光焦点位置的问题。
-
公开(公告)号：CN115410093B
公开(公告)日：2024-06-28
申请号：CN202211050242.2
申请日：2022-08-31
申请人： 西安理工大学
IPC分类号： G06V20/13 , G06N3/0464 , G06N3/09 , G06V10/764 , G06V10/774 , G06V10/82
摘要： 本发明公开一种基于双通道编码网络和条件随机场的遥感图像分类方法，步骤包括：首先对PolSAR图像预处理后，使用目标分解方法提取PolSAR图像的多特征；利用双通道编码的FCN网络分别训练原始数据和多特征并进行特征融合并得到初始分类结果；接着构建CRF的能量函数，初始分类结果作为其输入，充分考虑PolSAR图像的全局结构信息，对边缘细节分割进行改善，此外，为了防止区域过于平滑，添加了边界惩罚函数进行约束，有效克服了PolSAR图像中像素之间缺乏互联性的问题。最终使得PolSAR分类结果能够显示出良好的空间一致性和图像边缘精细结构的完整性。
-
公开(公告)号：CN118097502A
公开(公告)日：2024-05-28
申请号：CN202410230717.9
申请日：2024-02-29
申请人： 西安理工大学
IPC分类号： G06V20/40 , G06V20/00 , G06V40/16 , G06V10/30 , G06V10/36 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09
摘要： 本发明公开了一种基于深度学习的社交网络深度伪造视频检测方法及系统，通过从社交网络深度伪造视频帧的频谱结构与其位置信息分布分析了压缩伪影与深度伪造伪影的共性机理，根据压缩图像特定频带分布与深度伪造生成算法上采样伪影建模，揭示了二者间的结构相似性，为深度伪造检测模型抗压缩鲁棒性的增强提供了可靠理论依据。根据压缩伪影与深度伪造伪影间的结构相似性，结合陷波滤波去除周期性噪声的先验知识，有效去除了压缩噪声的干扰，具有较强的鲁棒性。从通道与空间两个角度对特征向量进行加权，挖掘频域分支与空域分支输出特征图间的内在关联关系，进一步增强了深度伪造特征。
-
公开(公告)号：CN117830723A
公开(公告)日：2024-04-05
申请号：CN202311867017.2
申请日：2023-12-29
申请人： 西安理工大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74
摘要： 本发明公开了基于空频域联合优化的白盒通用对抗扰动生成方法及系统，采用对抗扰动模型通过学习噪声向量的先验分布到通用对抗扰动的映射函数，生成通用对抗扰动；对扰动与原始样本结合生成的对抗样本以及原始样本的相似度进行判断，同时对生成的对抗样本进行类别预测，生成概率向量；当生成的对抗样本以及原始样本的相似度达到设定阈值，同时对生成的对抗样本进行类别预测生成的概率向量满足设定阈值，本发明基于生成对抗网络通过空域约束和频域约束对扰动进行空频域联合优化，将攻击范围限制在低频区域，通过空域约束和频域约束的联合优化，促进生成器更有效地生成微小的通用对抗扰动，使得生成的通用对抗扰动具有较好的攻击效果与迁移效果。
-
公开(公告)号：CN117523439A
公开(公告)日：2024-02-06
申请号：CN202311436902.5
申请日：2023-10-31
申请人： 西安理工大学
IPC分类号： G06V20/40 , G06V20/00 , G06V40/16 , G06V40/40 , G06V10/30 , G06V10/36 , G06V10/42 , G06V10/44 , G06V10/62 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084
摘要： 本发明公开了一种基于时空特征的社交网络深度伪造视频检测方法及系统，通过提取待识别视频中的人脸序列，将提取的人脸序列经过自适应频域感知机制进行滤波以去除深度伪造视频中的压缩噪声。从空域与时序角度探索视频的深度伪造特征的局部与全局自相关性。采用融合渐进式注意力机制的EfficientNet‑B4提取细粒度的空域局部深度伪造特征自相关性。结合LSTM时序网络提取深度伪造特征的全局自相关性。依据空域与时序自相关性判别结果获取视频真伪。本发明自适应频域感知滤波器去除深度伪造检测中压缩操作的干扰性，减少了社交网络中视频压缩技术对深度伪造视频检测造成的影响，增强提取的深度伪造特征，解决了压缩深度伪造视频检测率低、鲁棒性差、泛化能力弱的问题。
-
公开(公告)号：CN115665348A
公开(公告)日：2023-01-31
申请号：CN202211308218.4
申请日：2022-10-25
申请人： 西安理工大学
摘要： 本发明公开了一种基于云模板的全自动视频快速合成方法，其过程是:首先通过PR和PE等软件来制作大量含有目标相框的效果不错的视频模板，然后通过FFmpeg对视频模板解码，读取模板中的视频帧，对视频中含有目标相框的帧进行过滤、转化、去噪等一系列算法设计达到在该帧中只包含目标相框的结果，将用户上传照片插入到视频模板指定的位置，经过编码和复用操作后形成合成后的视频。本发明的方法对视频合成的所有方法中在速度上得到极大提升。
-
公开(公告)号：CN115410093A
公开(公告)日：2022-11-29
申请号：CN202211050242.2
申请日：2022-08-31
申请人： 西安理工大学
IPC分类号： G06V20/13 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
摘要： 本发明公开一种基于双通道编码网络和条件随机场的遥感图像分类方法，步骤包括：首先对PolSAR图像预处理后，使用目标分解方法提取PolSAR图像的多特征；利用双通道编码的FCN网络分别训练原始数据和多特征并进行特征融合并得到初始分类结果；接着构建CRF的能量函数，初始分类结果作为其输入，充分考虑PolSAR图像的全局结构信息，对边缘细节分割进行改善，此外，为了防止区域过于平滑，添加了边界惩罚函数进行约束，有效克服了PolSAR图像中像素之间缺乏互联性的问题。最终使得PolSAR分类结果能够显示出良好的空间一致性和图像边缘精细结构的完整性。
-
公开(公告)号：CN114821161A
公开(公告)日：2022-07-29
申请号：CN202210375095.X
申请日：2022-04-11
申请人： 西安理工大学
IPC分类号： G06V10/764 , G06V10/40 , G06K9/62
摘要： 本发明公开一种基于黎曼最近正则子空间模型的极化SAR图像分类方法，步骤包括：步骤1，从待分类的极化SAR图像的每个类别中挑选相同数量的像素点，构造每个类的半正定矩阵字典；步骤2，根据矩阵字典、黎曼测度，构建基于RNRS的目标函数；步骤3，对目标函数进行求解，得到每类字典的稀疏表示系数；步骤4，根据稀疏表示系数，计算每类的预测数据，将像素类标赋给真实数据和预测数据残差最小的类别，最终得到极化SAR图像的分类结果。本发明解决了现有技术中存在的NRS无法有效学习PolSAR数据矩阵结构和通道相关性的问题。
-
-
-
-
-
-
-
-
-
搜索结果
43 条记录 (耗时 0.045 秒)
