-
公开(公告)号：CN105912684A
公开(公告)日：2016-08-31
申请号：CN201610235578.4
申请日：2016-04-15
Applicant: 湘潭大学
IPC: G06F17/30
CPC classification number: G06F16/583 , G06F16/951
Abstract: 本发明针对互联网海量异构数据之间错综复杂的关系的公开了一种基于视觉特征和语义特征的跨媒体检索方法，主要包括以下几个步骤：第一步，使用二次开发的分布式网络爬虫对目标数据源的数据进行抓取；第二步，针对不同数据源，分别编写不同的模板，对网页进行基于模板的信息提取，对数据进行解析去噪，并存入数据库中；第三步，对图片提取特征值并建立索引，建立语义关联图；第四步，使用SVM支持向量机和已经训练过的模型，对内容进行分类；第五步，根据提取出的视觉特征和语义特征，计算不同类型数据之间的相似距离，分析不同类型数据之间的关联性。采用本方法，可以较有效地挖掘出不同类型数据之间的关联性。
-
公开(公告)号：CN105512548A
公开(公告)日：2016-04-20
申请号：CN201510873591.8
申请日：2015-12-02
Applicant: 湘潭大学
IPC: G06F21/51
CPC classification number: G06F21/51 , G06F2221/033
Abstract: 基于隐藏可执行镜像并注入dll保护镜像代码的方法，该方法包括以下步骤：1)将目标镜像在内存中解密；2)PE镜像的加载：装载程序所需要的dll文件，执行镜像重定位，最后执行OEP；3)检查exe模块的IAT是否被劫持；4)主动劫持LoadLibrary和LoadLibraryEx，对加载成果的dll镜像执行上述步骤3中的操作，如果判定没有异常，则执行第5步；5)劫持CreateProcess函数，并且在创建子进程同时，注入本保护dll；6)通过远程线程注入，在Ring3环境下注入被保护的目标进程，防止恶意加载器的线程注入；和7)建立一个优先度比较底的线程(THREAD_PRIORITY_BELOW_NORMAL)，做死循环检查，检查它是否属于Debugger加载，每一秒检查一次。
-
公开(公告)号：CN101958883A
公开(公告)日：2011-01-26
申请号：CN201010133254.2
申请日：2010-03-26
Applicant: 湘潭大学
IPC: H04L29/06
Abstract: 本发明公开了一种基于Bloom Filter和开源内核防御SYN Flood攻击的方法，包括以下步骤：1、遭受SYN-Flood攻击判断；2、构建Bloom Filter结构；3、更新内核层可信IP地址和TTL数据，启用内核层数据包过滤；4、内核层根据可信IP地址和TTL记录过滤TCP SYN数据包；5、停止内核层数据包过滤。本发明可以达到如下的有益效果：1.通过改进Bloom Filter原始的单一位数组对应多个哈希函数的结构，采用一个哈希函数对应一个位数组的结构，有效降低了误报率，在保证准确率的前提下提高了存储和查找数据包的效率，使得本方法可以有效防御SYN Flood攻击。2.通过结合开源操作系统内核层和用户层协同处理来解决内核层效率高但不适宜处理复杂程序和用户层跟内核协议栈不紧密的问题，从而提高了对数据包的处理效率。
-
公开(公告)号：CN119444995A
公开(公告)日：2025-02-14
申请号：CN202411580766.1
申请日：2024-11-06
Applicant: 湘潭大学
Abstract: 本发明提供了一种图层聚焦插画单视图3D重建方法，该方法通过SAM对数据集中的原始插画单视图进行区域分割，得到包含原始插画单视图及其图层通道的区域文本对微调CLIP模型；然后对数据集T中的每张原始插画单视图提取非自然的轮廓线，语义信息与图层信息；根据单视图中角色体态选取基础素模初始化3D点云，并通过点云分割将人体点云分割成不同的部分，并依照非自然的轮廓线的位置信息对相应点云区域进行噪声生长与颜色扰动，再分别映射到潜空间当中，并采用LDM获得最终潜在表示；最后将最终潜在表示经过解码器获得最终3D表示，重建3D资产。本发明可根据给定的一张插画单视图，生成相对应的3D资产。
-
公开(公告)号：CN115878777A
公开(公告)日：2023-03-31
申请号：CN202211708714.9
申请日：2022-12-29
Applicant: 湘潭大学
IPC: G06F16/332 , G06F16/36 , G06Q50/18 , G06F18/241
Abstract: 一种针对司法文本的要素指标提取方法，包括以下步骤：1)获取司法文书数据，对司法文书数据进行数据清洗，构建基于裁判文书的训练数据。2)对司法文书指标提出了一种司法文书指标结构化语言(JDISL)，采用JDISL进行prompt引导，得到指标基于prompt的构造形式，进一步将训练语料处理为prompt训练语料。3)将prompt训练语料进行少样本负采样扩增。4)在开源的Unilm基础预训练模型的基础上，将prompt训练语料作为输入。5)取Unilm模型隐藏层向量，处理为高斯嵌入。6)计算高斯嵌入的对比学习损失，迭代更新得到最终模型。7)将待提取指标的司法文书输入到训练好的模型中，指标抽取模型进行信息抽取，得到各个标签类型的信息抽取结果。
-
Patent Agency Ranking
公开(公告)号：CN115292413A
公开(公告)日：2022-11-04
申请号：CN202210948033.3
申请日：2022-08-09
Applicant: 湘潭大学
Abstract: 本发明涉及群智感知技术领域，公开了一种基于区块链和联邦学习的群智感知激励方法，包括以下步骤：S1计算候选人的初始信誉值Rei；S2通过反向拍卖方法去除恶意参与者；S3分配全局模型；S4得到本轮迭代后的全局模型，将其与上一轮全局模型进行比较，若迭代后的全局模型达到收敛，则执行步骤S5，若不满足则继续执行步骤S3；S5按参与者的贡献来进行奖励分发，对参与者信誉值进行更新；S6将本次任务的交互信息上传到区块链中。本发明能够在确保用户隐私的前提下，抑制恶意用户参与群智感知场景，提升用户上传的数据模型质量，提高数据拥有方参与群智感知的积极性。
-
公开(公告)号：CN115130483A
公开(公告)日：2022-09-30
申请号：CN202210828231.6
申请日：2022-07-13
Applicant: 湘潭大学
Abstract: 本发明属于自然语言处理领域，涉及一种基于多目标群体智能算法的神经架构搜索方法及用途，包括以下步骤：1)获得评估神经网络架构翻译质量的数据集；2)在搜索空间内，初始化一个种群；3)将若干不同尺寸，并改善计算交叉多头注意力方式的Transformer模型个体，加入步骤2)得到的初始化种群；4)在若干评估机器翻译质量的指标下，使用多目标群体智能算法，对神经网络架构进行搜索。实现了较少的时间确定最适用于特定数据特性的神经网络架构，用更少的参数数量获得了更优的翻译质量，可部署在移动设备等内存资源相对紧缺的应用场景上。本发明提供的方法可用于司法、旅游、电商、电游、社交、金融等技术领域。
-
公开(公告)号：CN114461802A
公开(公告)日：2022-05-10
申请号：CN202210121915.2
申请日：2022-02-09
Applicant: 湘潭大学
Abstract: 本发明属于自然语言处理领域，公开了一种针对拒答问题的阅读理解模型的自训练方法，包括步骤：S1.构建针对拒答问题的机器阅读理解模型，包括文本编码模块和答案预测模块；S2.将文本及问题输入所述的文本编码模块进行编码，然后输入至答案预测模块进行处理；以最小化训练损失函数为目标训练调整所述的机器阅读理解模型的参数，得到初始机器阅读理解模型；S3.对初始机器阅读理解模型使用自训练方法在无标签数据集上迭代训练得到理想机器阅读理解模型。本发明引入的验证函数对机器阅读理解模型预测效果进行检测，使用无标签数据就能较好地完成模型训练，获得比传统训练方法更好效果。
-
公开(公告)号：CN110047077B
公开(公告)日：2020-11-17
申请号：CN201910307569.5
申请日：2019-04-17
Abstract: 一种用于以太坊共识机制的图像处理方法包括以下步骤：将待处理图像转换为灰度图像；对生成的灰度图像进行过度分割，并输出分割图像作为最初分割图像；计算最初分割图像的MDL值；将分割图像中相邻区域进行两两合并，计算合并后图像的MDL值，将产生最小MDL值的合并后图像作为最新分割图像；输出MDL值最小的最新分割图像作为最优分割图像；以太坊的共识机制判断最优分割图像的MDL值与最初分割图像的MDL值的比值是否符合要求；将最优分割图像作为随机数进行哈希运算，完成以太坊共识机制剩余要求。本发明提供的图像处理方法充分利用了以太坊上各节点用于投入生成随机数的算力对图像信息进行处理，从而达到提高算力资源的利用率及加强区块链安全性的目的。
-
公开(公告)号：CN108520504B
公开(公告)日：2020-05-19
申请号：CN201810337089.9
申请日：2018-04-16
Applicant: 湘潭大学
IPC: G06T5/00
Abstract: 基于生成对抗网络端到端的模糊图像盲复原方法，该方法包括：1)建立样本数据集；2)建立端到端图像配对模型：对数据集中的原始图像进行模糊化处理，建立模糊图像到原始图像的图像配对模型；3)生成对抗网络的对抗训练：模糊图像作为生成器输入数据，生成器学习原始图像的样本分布，生成图像，判别器将生成图像与原始图像的差异反馈给生成器，提高生成图像的质量；生成器和判别器进行反复对抗训练，得到最优模糊图像复原的网络模型；4)图像复原。本发明采用生成对抗网络端对端的训练模型，将模糊图像和原始图像配对处理，通过训练模型进行训练，不需要模糊图像的任何先验知识，学习完成后，直接输入模糊图像，模型即生成清晰图像。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.022 seconds)
