-
公开(公告)号：CN115795370A
公开(公告)日：2023-03-14
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
Abstract: 本申请提供一种基于重采样痕迹的电子数字信息取证方法及系统，该方法包括如下步骤：获取待检测电子数字信息；提取待检测电子数字信息中像素与邻近像素的关系特征，建立邻域关系特征矩阵；将邻域关系特征矩阵输入到预先构建的卷积神经网络分类器进行检测和分类，获取电子数字信息取证结果。本申请实现对电子数字信息所采用的重采样算法的种类进行准确检测和分类，以及提高检测准确度。
-
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：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。
-
公开(公告)号：CN115796242A
公开(公告)日：2023-03-14
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。
-
Patent Agency Ranking
公开(公告)号：CN119293229A
公开(公告)日：2025-01-10
申请号：CN202410711790.8
申请日：2024-06-04
Applicant: 南昌大学
IPC: G06F16/338 , G06F16/35 , G06F16/334 , G06F16/3329 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本发明提出一种基于可视化特征分析的文本检测方法及系统，该方法包括：特征提取阶段，采用的特征提取器由一个BERT模型和一个MLP分类器组成，以提取MLP的倒数第二层，对应于最后一个隐藏层，得到数据集中的文本特征；模型训练阶段，包括对分类中心c和分类半径r的初始化、数据集训练以及增强统一模式；文本检测阶段，提取待检测文本的文本特征，并根据所述待检测文本的文本特征获取特征距离分类中心c的距离和分类半径r，并根据所述特征距离分类中心c的距离和所述分类半径r判断所述待检测文本是否属于生成文本。本申请能够有效地检测人工智能生成的文本，提高检测准确率和泛化能力。
-
公开(公告)号：CN119006932A
公开(公告)日：2024-11-22
申请号：CN202411463290.3
申请日：2024-10-21
Applicant: 南昌大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/084
Abstract: 本发明提供了一种基于双阶段学习的深度伪造图像检测方法，涉及图像处理技术领域，该方法包括以下步骤：S1、获取第一真假图像对的第一全局特征，基于所述第一全局特征获取第一通用伪造特征信息，基于所述第一通用伪造特征信息检测图像并更新所述初始检测模型的参数；S2、获取第二真假图像对的第二全局特征，基于所述第二全局特征获取第二通用伪造特征信息、特定伪造方法、性别以及种族，计算特征分类损失，基于所述特征分类损失更新检测模型的参数。本发明提供的基于双阶段学习的深度伪造图像检测方法，能够有效的检测深度伪造图像，并提高对于未知深度伪造图像技术的检测成功率。
-
公开(公告)号：CN118013131B
公开(公告)日：2024-06-11
申请号：CN202410426017.7
申请日：2024-04-10
Applicant: 南昌大学 , 江西炬能物联技术研究中心有限公司
IPC: G06F16/9535 , G06N3/042 , G06N3/045 , G06N3/09
Abstract: 本发明公开一种基于评分增强的图神经网络数据推荐方法、装置及介质，该方法联合利用了用户信息、物品信息、用户与物品交互信息以及用户社交网络信息，并且通过交叉注意力系数获取算法来计算用户或者物品在领域卷积过程中的权重系数，充分考虑且融合了用户信息、物品信息和评分信息，经过有效性实验证明：如果用户给某个物品较高的评分，那么交叉注意力系数绝对值也会相对较大，这表明可以充分利用评分高低有序信息，本发明能充分利用用户评分的有序性信息以提高数据推荐的准确性。
-
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：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。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.047 seconds)
