-
公开(公告)号:CN115795370B
公开(公告)日:2023-05-30
申请号:CN202310097747.2
申请日:2023-02-10
Applicant: 南昌大学
IPC: G06F18/241 , G06F18/214 , G06N3/08 , G06N3/0464
-
公开(公告)号:CN116152885A
公开(公告)日:2023-05-23
申请号:CN202211540523.6
申请日:2022-12-02
Applicant: 南昌大学
IPC: G06V40/16 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种基于特征解耦的跨模态异质人脸识别和原型修复方法,技术路线为:先从输入人脸图片学习到潜在特征空间,并在特征空间中解耦原型特征和源域特征,再用目标域特征替换源域特征,进而解码到像素空间中生成目标域的人脸原型图片。不同于现有跨模态人脸识别技术只关注系统自动识别准确率,本发明引入了跨模态人脸原型修复过程,提供了人工鉴别和比对途径,进而提高了复杂环境下人脸识别系统的鲁棒性。此项发明技术尤其适用于刑事侦查和犯罪识别。发明融合了解耦表征学习与生成对抗学习技术,通过在潜在特征空间中仅解耦原型和域特征,进而在像素空间中自适应地移除了人脸变化信息。
-
公开(公告)号:CN115796242B
公开(公告)日:2023-05-16
申请号:CN202310097831.4
申请日:2023-02-10
Applicant: 南昌大学
IPC: G06N3/0475 , G06N3/0464 , G06N3/094 , G06F18/241 , G06N3/084
Abstract: 本发明公开一种电子数字信息反取证方法。所述方法包括:GAN模型包括分类网络D1、判别器D2和D3,以及生成网络G,预先为D1、D2和D3分配相同的权重,构建第一损失函数;将未处理信息输入D1进行训练,由G根据未处理信息和随机噪声生成合成信息,部署第二损失函数提高网络性能;将未处理信息输入D2进行训练,由D2对G的输出进行分类,并通过反向传播,将学习到的权重转移回G;将未处理信息输入D3进行训练,将未处理信息和合成信息进行区分,构建最终损失函数。本发明在对原有的GAN模型基础上,修改了生成器和构造器的结构和网络的框架,建立了额外的监督系统和相应的损失函数,提高了网络模型反取证的性能。
-
公开(公告)号:CN115879516A
公开(公告)日:2023-03-31
申请号:CN202310188408.5
申请日:2023-03-02
Applicant: 南昌大学
IPC: G06N3/0475 , G06N3/094 , G06V10/774 , G06V10/82
Abstract: 本申请公开了一种数据取证方法,具体包括以下子步骤:获取原始电子数据;对原始电子数据进行处理;将处理后的原始电子数据输入取证网络,输出高质量图像数据;在视觉增强网络中对高质量图像数据进行重建,得到重建后的图像数据,完成数据取证。本申请在确保数据不可检测性的前提下,不仅能够保存数据的视觉质量,还提升了数据的视觉质量,从而能够生成具有高不可检测性和视觉质量的反取证图像数据。
-
公开(公告)号:CN114742212A
公开(公告)日:2022-07-12
申请号:CN202210659744.9
申请日:2022-06-13
Applicant: 南昌大学
IPC: G06N3/04 , G06N3/08 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明公开一种电子数字信息重采样率估算方法,包括:将待处理电子数字信息输入CNN模型,经灰度转换后进入METEOR层进行一级卷积,得到能量特征图;将能量特征图输入卷积层进行二级卷积操作,对能量特征图中的边缘和曲线特征进行分类;在CNN模型中引入ReLU激活函数,使CNN模型非线性化;经激活函数激活后,将上层得到的分类结果送入池化层,对输入的分类结果进行下采样处理;使用SOFTMAX层和精度层输出训练损耗和分类精度,对模型进行评估。本发明构建的CNN模型更加适合估计重采样率,提高估计精度。
-
公开(公告)号:CN119048843B
公开(公告)日:2025-03-18
申请号:CN202411508410.7
申请日:2024-10-28
Applicant: 南昌大学
IPC: G06V10/764 , G06V10/42 , G06V10/774 , G06N3/042 , G06N3/0464
Abstract: 本发明提供了一种基于图拓扑学习的AI生成图像检测方法,涉及图像处理技术领域。基于图拓扑学习的AI生成图像检测方法包括以下步骤:基于冻结的CLIP提取多张图像样本的全局视觉特征;基于所述多张图像样本构建图拓扑结构,基于图卷积网络获取图拓扑结构中节点之间的关系特征;进行拼接融合获得节点特征向量,并输送到线性层进行真假分类预测获得检测结果;基于度量学习损失函数更新图卷积网络的参数,基于二元交叉熵损失更新线性层的参数。本发明根据CLIP的视觉特征设计了一种难样本区分的图拓扑结构,将图拓扑的特征输入到图卷积网络中进行特征学习,进一步丰富和增强了特征表示的判别力,提升了检测时的准确性和泛化性。
-
公开(公告)号:CN119444673A
公开(公告)日:2025-02-14
申请号:CN202411414591.7
申请日:2024-10-11
Applicant: 南昌大学
IPC: G06T7/00 , G06V10/30 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种基于深度学习的铜合金元件质量检测方法,S1:通过激光扫描进行铜合金元件初始点云数据的采集;S2:使用双边滤波算法对采集数据预处理,得到去噪后的铜合金元件点云数据;S3:基于深度学习对铜合金元件进行尺寸检测分类,得到尺寸检测结果;S4:尺寸合格的铜合金元件进入表面缺陷检测,在表面缺陷检测中,对YOLOv7网络模型进行改进,对其进行轻量化处理的同时增加注意力机制,基于改进后的YOLOv7网络模型进行表面缺陷检测得到检测结果。本发明使用深度学习来检测铜合金元件的表面质量检测和尺寸质量检测。在表面质量检测方面,在原始的YOLOv7上进行了针对性改进,使得网络可以更加适应小尺寸和尺度变化较大的缺陷,且更加容易部署。
-
公开(公告)号:CN119150331A
公开(公告)日:2024-12-17
申请号:CN202411639976.3
申请日:2024-11-18
Applicant: 南昌大学
Abstract: 本申请属于计算机数据处理技术领域,提供一种在线取证方法、装置、设备及存储介质。该方法首先在云平台各层次部署监听传感器。其次,配置数据传输加密协议和。再其次,进行联邦学习数据预处理。然后,进行联邦学习模型训练:损失函数、梯度、正则化。接着,进行实时取证与分析:利用训练好的模型对云平台行为进行实时监测和分析,识别异常行为并生成取证报告。最后,进行证据校验与存储:对关键证据进行哈希校验和数字签名,并存储在区块链上,确保证据的可信性和完整性。本申请的方法解决了在云环境下的数据孤岛与隐私性保护问题,为取证工作提供更为及时、准确的线索以及提高云平台的整体安全性和稳定性。
-
公开(公告)号:CN115830400B
公开(公告)日:2023-05-16
申请号:CN202310097955.2
申请日:2023-02-10
Applicant: 南昌大学
IPC: G06V10/764 , G06V10/82 , G06N3/048 , G06N3/098 , G06N3/0464 , G06F21/62 , G16H30/00
Abstract: 本申请公开了一种基于联邦学习机制的数据识别方法及其系统,其中基于联邦学习机制的数据识别方法,具体包括以下子步骤:确定识别模型的骨干网络;响应于确定识别模型的骨干网络后,对识别模型进行联邦学习,完成识别模型的训练;将电子数据输入至训练完成的识别模型,进行电子数据的识别。本申请重点考虑对用户数据的的隐私保护,通过对联邦学习机制以及残差网络算法的研究和学习,解决了目前其他模型安全性不足的缺陷,设计出了在做到保护用户隐私和安全的前提下,仍能保持对数据进行良好的识别的模型,从而达到对用户提供的电子数据进行良好识别的目的。
-
公开(公告)号:CN115830400A
公开(公告)日:2023-03-21
申请号:CN202310097955.2
申请日:2023-02-10
Applicant: 南昌大学
IPC: G06V10/764 , G06V10/82 , G06N3/048 , G06N3/098 , G06N3/0464 , G06F21/62 , G16H30/00
Abstract: 本申请公开了一种基于联邦学习机制的数据识别方法及其系统,其中基于联邦学习机制的数据识别方法,具体包括以下子步骤:确定识别模型的骨干网络;响应于确定识别模型的骨干网络后,对识别模型进行联邦学习,完成识别模型的训练;将电子数据输入至训练完成的识别模型,进行电子数据的识别。本申请重点考虑对用户数据的的隐私保护,通过对联邦学习机制以及残差网络算法的研究和学习,解决了目前其他模型安全性不足的缺陷,设计出了在做到保护用户隐私和安全的前提下,仍能保持对数据进行良好的识别的模型,从而达到对用户提供的电子数据进行良好识别的目的。
-
-
-
-
-
-
-
-
-