-
公开(公告)号：CN119849701A
公开(公告)日：2025-04-18
申请号：CN202510042779.1
申请日：2025-01-10
Applicant: 西安电子科技大学
IPC: G06Q10/04 , G06Q50/20 , G06F18/243 , G06F18/25 , G06F18/214 , G06F18/213 , G06N3/045 , G06N3/08 , G06N5/01 , G06N20/20
Abstract: 基于特征交互神经树的学生学业预警预测方法，其方法是：首先从学校系统采集和整理学生在学校里产生的各种行为数据，构建学生行为数据集，通过改进SMOTE算法对少数类样本进行生成，缓解数据集不平衡的问题；其次通过多元高斯编码对平衡后的数据集进行编码，并利用层归一化对平衡后的数据进行标准化；然后将处理后的数据输入特征交互神经树模块FINT Block，加强特征表示能力，利用加权平均机制融合所有DODT输出；最后结合残差连接，将多个FINT Block进行堆叠，得出准确且具有可解释性的学业预警预测分类结果。
-
公开(公告)号：CN119131880A
公开(公告)日：2024-12-13
申请号：CN202410893920.4
申请日：2024-07-04
Applicant: 西安电子科技大学
IPC: G06V40/20 , G06V20/40 , G06V10/20 , G06V10/40 , G06V10/80 , G06V10/764 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/0895 , G06N3/0464 , G06V10/74 , G06V10/762 , G06V10/82
Abstract: 一种基于动作语义引导的自监督骨架行为识别方法、系统、设备及介质，其方法是：首先，获取待训练骨架视频样本并进行预处理；其次，通过动作语义生成模块生成预处理后人体骨架数据集中每类动作的语义原型，即生成对应动作文本语义特征；另外，将预处理后的人体骨架数据集输入到特征增强模块(FAM)，实现骨架数据增强，生成对应动作的骨架特征；最后，使用多模态融合模块融合对应动作的动作文本语义特征和骨架特征，辅助模型从语义层面学习更具区别性和代表性的动作表示，提升模糊动作识别精度，通过对比学习的方法，以自监督的方式旨在保证模型识别性能的同时降低对大规模标注数据的依赖，实现基于骨架的人体动作分类；其系统、设备及介质基于动作语义引导的自监督骨架行为识别方法，对人体动作进行识别分类，具有准确性高和鲁棒性好的优点。
-
公开(公告)号：CN118736485A
公开(公告)日：2024-10-01
申请号：CN202410781684.7
申请日：2024-06-18
Applicant: 西安电子科技大学
IPC: G06V20/52 , G06V10/764 , G06V10/774 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/094 , G06N3/098 , G06T5/50
Abstract: 一种基于Transformer和对抗学习的跨模态行人重识别方法，首先使用模态特定特征提取器分别从可见光图像和红外图像中提取特征。然后，通过跨模态特征对齐模块对提取得到的模态特定特征进行调整，以减少模态内和模态间的特征差异。接着，使用权重共享的共享特征提取器提取模态共享特征，并采用多尺度特征融合方法，利用Transformer通过注意力机制将模态共享特征的上下文信息补充到模态特定特征中，以弥补模态特定特征在全局语义上的不足。在对抗学习过程中，交替训练分类器和特征提取器，从而更好地提取模态不变特征。本发明有效减少了可见光和红外图像之间的模态差异，显著提升了跨模态行人重识别的精度和鲁棒性，适用于安防监控、智能交通等领域。
-
公开(公告)号：CN102930497B
公开(公告)日：2015-05-20
申请号：CN201210434246.0
申请日：2012-10-19
Applicant: 西安电子科技大学
IPC: G06T1/00
Abstract: 本发明公开了一种基于像素块奇偶校验和块误差分散的半调水印方法，具体步骤包括：(1)图像分色处理；(2)水印图像预处理；(3)计算像素块的奇偶校验值；(4)确定水印嵌入强度；(5)嵌入水印；(6)图像矫正；(7)水印提取。本发明解决了现有技术中在提取水印时要求将扫描后的待检测图像二值化，水印的鲁棒性差，难以真正抵抗打印扫描攻击的问题。本发明具有良好的鲁棒性、能够有效的抵抗打印扫描、随机涂改和裁剪等攻击、容易提取水印的优点。
-
公开(公告)号：CN103295184A
公开(公告)日：2013-09-11
申请号：CN201310192123.5
申请日：2013-05-13
Applicant: 西安电子科技大学
IPC: G06T1/00
Abstract: 本发明公开了一种频域和空域相结合的半调水印方法，具体步骤包括：(1)特征图像提取；(2)水印图像预处理；(3)水印嵌入预处理过程；(4)获得嵌水印的特征矩阵；(5)获得分块半调图像；(6)嵌入水印；(7)搜素获得最优半调图像；(8)图像矫正；(9)获得含水印离散余弦变换系数；(10)提取水印。本发明解决了空域半调水印方法在提取水印时需要对图像二值化处理，嵌水印后图像的视觉效果差，水印抵抗打印-扫描攻击能力不强的问题。本发明利用了空域和频域水印算法的优点，不仅对打印-扫描、随机涂改和裁剪等攻击具有很强的鲁棒性，而且图像的视觉效果良好，水印嵌入容量大幅度提高。
-
Patent Agency Ranking
公开(公告)号：CN102509048A
公开(公告)日：2012-06-20
申请号：CN201110359598.X
申请日：2011-11-14
Applicant: 西安电子科技大学
Abstract: 本发明公开一种防止操作系统中断流程被非法转移的方法，主要解决现有技术无法阻止攻击者非法转移操作系统中断流程的问题。其实现步骤是：修改操作系统中断处理流程，在中断发生和结束时向虚拟机管理器发送特定消息；修改虚拟机管理器，当它接收到中断发生消息时，保存操作系统当前栈上CS和IP寄存器的值到先入后出FILO队列，当它接收到中断结束消息时，取出FILO队列头部保存的CS和IP寄存器的值与操作系统当前栈上的值进行比较，如果两者的值不同，则终止操作系统的执行，以防止攻击者的非法转移。本发明借助于虚拟机管理保护中断上下文中的控制数据，使得攻击者无法通过篡改它们而转移操作系统的执行流程，可用于保护操作系统的安全。
-
公开(公告)号：CN102437950A
公开(公告)日：2012-05-02
申请号：CN201110349979.X
申请日：2011-11-08
Applicant: 西安电子科技大学
Abstract: 本发明公开一种高效且可扩展的IP数据包分类方法，主要解决现有技术无法满足通用网络设备对执行效率和可扩展能力要求的问题。其实现步骤是：首先通过分析IP包中源、目的端口和协议类型字段在实际应用中的分布特性，将它们映射到一个8比特元组，并根据映射结果将分类规则集划分为若干子集；然后借助于信息熵技术，通过查找最优比特序列作为根和子节点，为每个规则子集建立一棵Tries查找树；最后分类器将收到的IP包映射到某个Tries查找树，查找该树并定位到其叶子节点，进行若干次匹配确定出数据包的类别。本发明降低了分类复杂度，提高了包分类的平均查询时间，具有良好的可扩展性，可用于支持网络设备中的区分服务应用。
-
公开(公告)号：CN119851136A
公开(公告)日：2025-04-18
申请号：CN202510042776.8
申请日：2025-01-10
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 基于非对称型神经网络的高分辨率遥感影像道路网络提取方法、系统、设备及介质，其方法是：首先获取待训练高分辨率道路遥感影像数据并进行预处理；其次通过多层预训练模型ResNet34对预处理后的道路影像数据利用编码器逐步获取道路的两层低级特征和高级特征；将编码器提取到的道路高级特征输入到高级特征优化模块AFOM对其进行优化和增强，并去除冗余特征，得到优化后的道路高级特征；最后利用解码器优化并融合道路的两层低级特征和优化后的道路高级特征，获得优化的整体模型，用损失函数softDice和BCE的综合表示优化的整体模型，通过恢复图像分辨率，最终输出提取的道路网络图；系统、设备及介质，基于非对称型神经网络的高分辨率遥感影像道路网络提取方法，对高分辨率遥感影像中的道路进行识别分割；本发明具有精确度高和鲁棒性好的优点。
-
公开(公告)号：CN118736288A
公开(公告)日：2024-10-01
申请号：CN202410786990.X
申请日：2024-06-18
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/0499 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种单阶段点云密度感知的聚焦卷积3D目标检测方法，属于3D目标检测领域。所述3D目标检测方法包括以下步骤：将数据集中的点云数据动态转化成体素形态的数据，根据体素信息得到融合了点云密度、距离的体素特征；将体素特征输入到8倍下采样的残差聚焦稀疏卷积中进行高维度的特征提取；将从稀疏卷积中得到的特征转化为密集型数据并且在Z轴方向上压缩，得到BEV特征图；将BEV特征图送入双分支的卷积网络进行特征提取得到最终BEV特征；将最终BEV特征送入RPN检测头得到最终检测结果。本发明加强了单阶段3D目标检测模型对点云密度稀疏类别的敏感程度，加强了稀疏卷积对空间信息的学习能力，可用于激光雷达传感器环境下的3D目标检测。
-
公开(公告)号：CN118278462A
公开(公告)日：2024-07-02
申请号：CN202410450478.8
申请日：2024-04-15
Applicant: 西安电子科技大学
IPC: G06N3/0464 , G06N3/08 , G06T17/00
Abstract: 一种生成三维全息图的神经网络方法、系统及设备，其方法基于改进的Holo‑U2Net网络构建两层嵌套的U型结构，外层U型结构包含11个残差U型模块RSU，内层U型结构残差U型模块RSU，用于提取多尺度特征，高频特征；外层U型结构，让网络更深并融合来自瓶颈层残差U型模块RSU与编码阶段各个残差U型模块RSU输出特征图；网络提取块内多尺度特征并聚合块间多级特征，具备更强的拟合能力与生成高质量全息图的能力；轻量化里叶卷积模块在残差U型模块RSU的实现中，包含卷积、批标准化、线性整流函数，并加入获取傅里叶域的特征信息，进一步提升Holo‑U2Net网络生成高质量全息图的能力；其系统和设备能够基于所述生成三维全息图的神经网络方法，生成高质量三维全息图；具有生成图像质量高，耗时短，内存消耗低的优点。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.031 seconds)
