-
公开(公告)号：CN119723333A
公开(公告)日：2025-03-28
申请号：CN202411771670.3
申请日：2024-12-04
Applicant: 广东工业大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开一种高分辨率遥感图像滑坡识别方法和装置、系统、存储介质，包括：步骤S1、获取高分辨率遥感滑坡数据集；步骤S2、根据高分辨率遥感滑坡数据集，构建高分辨率遥感滑坡提取网络HRLE‑Net；步骤S3、划分高分辨率遥感滑坡数据集，得到训练集和测试集；步骤S4、根据训练集训练高分辨率遥感滑坡提取网络HRLE‑Net；步骤S5、将测试集输入到训练好的高分辨率遥感滑坡提取网络HRLE‑Net中，提取滑坡区域。采用本发明的技术方案，实现对滑坡区域的准确识别。
-
公开(公告)号：CN118430660B
公开(公告)日：2025-01-24
申请号：CN202410637242.5
申请日：2024-05-22
Applicant: 广东工业大学
Abstract: 本发明公开的属于矩阵分解与生物基因结合技术领域，具体为一种基于高阶扰动和灵活三元正则化的协同矩阵分解的LncRNA‑疾病关联预测方法，包括具体步骤如下：获取LncRNA‑疾病的关联矩阵Z；基于已知的关联矩阵Z，计算出LncRNA的功能相似性矩阵Rs和疾病的语义相似性矩阵Ds；将基于已知关联矩阵计算的多阶关联矩阵作为高阶扰动添加到已知关联矩阵中；通过灵活三元正则项的相似性学习，获取相似性矩阵的全局非线性结构相似性信息；本发明基于协同矩阵分解的方法对目标函数进行优化迭代得到最后的预测得分矩阵，使得最终预测lncRNA‑疾病的关联更加准确。
-
公开(公告)号：CN118887543A
公开(公告)日：2024-11-01
申请号：CN202410957334.1
申请日：2024-07-17
Applicant: 广东工业大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明公开的属于输电走廊山火识别技术领域，具体为一种基于深度学习的输电走廊山火识别方法，包括具体步骤如下：构建输电走廊山火图像数据集；对输电走廊山火图像数据集中的输电走廊山火图像进行特征增强；构建了一种基于深度学习的输电走廊山火识别模型，将输电走廊山火图像输入模型中，模型自动识别输电走廊图像中的山火；划分输电走廊山火图像数据集，训练并验证输电走廊山火识别模型；应用输电走廊山火识别模型，本发明通过多层次特征图信息提取，使得模型能够更准确地提取山火特征从而有效提升了在复杂的输电走廊环境下的山火识别准确率，并且通过不断的学习和训练，可以进一步提高山火识别的准确性和效率。
-
公开(公告)号：CN118781479A
公开(公告)日：2024-10-15
申请号：CN202410716377.0
申请日：2024-06-04
Applicant: 广东工业大学
IPC: G06V20/10 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于位置注意力和多尺度残差特征的遥感影像建筑物提取方法，涉及建筑物提取技术领域。本发明包括以下步骤：Step1：预处理遥感影像数据集，获取遥感影像数据集，根据得到的遥感影像数据集制作遥感影像样本标签，将RGB遥感影像数据集与对应的遥感影像单通道数字标签分别进行垂直翻转的数据增强操作。本发明通过遥感影像建筑物提取模型FCM‑Net构建的特征解码模块中使用跳跃连接和深度监督设计。跳跃连接将来自不同尺度特征图的高级语义和低级语义相结合，减少编码器和解码器之间的语义差距；深度监督设计为在特征解码模块的第0层的每一个输出块(X0,1、X0,2、X0,3和和X0,4)后添加1×1卷积和FPReLu激活函数，以缓解梯度消失问题，加快收敛速度。
-
公开(公告)号：CN118394661B
公开(公告)日：2024-09-10
申请号：CN202410815533.9
申请日：2024-06-24
Applicant: 广东工业大学
Abstract: 本发明属于代码可读性评价技术领域，并公开了一种代码可读性评价方法、系统、设备及介质，包括：获取待评价代码片段及对应可读性标签；基于所述待评价代码片段及对应可读性标签构建可读性评价数据集；将所述可读性评价数据集输入代码可读性评价模型中进行评价预测，得到可读性评价分数；其中，所述代码可读性评价模型包括依次连接的特征提取模块、基学习器模块和代码特征堆叠模块。本发明所述技术方案能够全面提取特征，提高了代码可读性评价的准确性和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN118332528B
公开(公告)日：2024-08-30
申请号：CN202410767432.9
申请日：2024-06-14
Applicant: 广东工业大学
IPC: G06F21/14 , G06F40/253 , G06N3/0455 , G06N3/08 , G06F21/60
Abstract: 本发明属于代码混淆技术领域，并公开了一种基于深度学习的代码混淆方法、系统、设备及介质，包括：对分支语句进行预处理，得到AST语法树的节点‑编号序列和叶子节点值‑编号序列；基于序列数据构建AST语法树中根节点到各叶子节点的路径集合；将路径集合输入代码混淆模型中，得到第一密文；基于DES算法对第一密文进行二次加密，得到第二密文；构建解密模型，基于解密模型构建解密函数；将第二密文输入解密函数中进行解密，先得到对应的第一密文，然后解密第一密文，最后得到对应分支语句的判断条件；将分支语句的判断条件替换为对解密函数的调用，实现代码混淆。本发明技术方案能够让混淆的代码更具隐蔽性，提高程序抗逆向分析能力。
-
公开(公告)号：CN118469842A
公开(公告)日：2024-08-09
申请号：CN202410556401.9
申请日：2024-05-07
Applicant: 广东工业大学
IPC: G06T5/60 , G06T5/73 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06V10/80
Abstract: 本发明提供了一种基于生成对抗网络的遥感图像去雾方法，包括以下步骤：S1、构建用于训练的有雾遥感图像数据集；S2、搭建用于遥感图像去雾的注意力引导的残差融合对抗生成网络；S3、训练注意力引导的残差融合对抗网络；S4、应用注意力引导的残差网络对有雾遥感图像去雾；本发明通过提取的底层细节特征与高层全局特征相结合，提升了去雾图像的精细度，采用了对抗网络思想，降低了网络的训练难度，适合遥感图像去雾这类图生图任务，能够更精准地感受出雾霾的浓度和大小，有效地处理了以往方法面对真实雾霾情形下雾霾分布浓度不均匀导致全局去雾效果不好的问题，能够尽可能的在去雾的同时保留原有细节和颜色。
-
公开(公告)号：CN118444917A
公开(公告)日：2024-08-06
申请号：CN202410380044.5
申请日：2024-03-29
Applicant: 广东工业大学
IPC: G06F8/41 , G06F21/14 , G06N3/0464 , G06N5/01 , G06F18/25 , G06N3/08 , G06F18/214
Abstract: 本发明公布了一种基于LGF‑Net的代码混淆有效性评估方法及系统，具体实现步骤如下：（1）首先获取数据集中每一个程序的源代码对应的已混淆代码和反混淆代码；然后从源代码、已混淆代码和反混淆代码中提取特征，得到第一特征集合；接着为第一特征集合赋予一个混淆效果等级，并将第一特征集合与其混淆效果等级表示为一个序偶；最后把所有的序偶构成一个代码混淆有效性评估数据集，称为第一数据集。（2）构建代码混淆有效性评估模型LGF‑Net：LGF‑Net通过局部特征模块进行特征选择和处理，通过全局特征模块进行特征融合。（3）使用第一数据集对LGF‑Net进行训练和测试，得到训练好的LGF‑Net。（4）运用训练好的LGF‑Net评估代码混淆算法，得到该算法的混淆效果等级。
-
公开(公告)号：CN118332528A
公开(公告)日：2024-07-12
申请号：CN202410767432.9
申请日：2024-06-14
Applicant: 广东工业大学
IPC: G06F21/14 , G06F40/253 , G06N3/0455 , G06N3/08 , G06F21/60
Abstract: 本发明属于代码混淆技术领域，并公开了一种基于深度学习的代码混淆方法、系统、设备及介质，包括：对分支语句进行预处理，得到AST语法树的节点‑编号序列和叶子节点值‑编号序列；基于序列数据构建AST语法树中根节点到各叶子节点的路径集合；将路径集合输入代码混淆模型中，得到第一密文；基于DES算法对第一密文进行二次加密，得到第二密文；构建解密模型，基于解密模型构建解密函数；将第二密文输入解密函数中进行解密，先得到对应的第一密文，然后解密第一密文，最后得到对应分支语句的判断条件；将分支语句的判断条件替换为对解密函数的调用，实现代码混淆。本发明技术方案能够让混淆的代码更具隐蔽性，提高程序抗逆向分析能力。
-
公开(公告)号：CN118247759A
公开(公告)日：2024-06-25
申请号：CN202410528401.8
申请日：2024-04-29
Applicant: 广东工业大学
IPC: G06V20/56 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/764 , G06V10/40
Abstract: 本发明提供了一种基于深度学习的道路破损预警方法，包括以下步骤：S101、构建道路破损数据集，或使用现有公开道路破损数据集：道路破损数据集通过在汽车上安装摄像头，在路面上行驶过程中进行采集，采集得到的图像数据通过人工进行标注，使用标注工具将破损位置框选并进行类型标注；S102、对道路破损数据集中的所有图像预处理，进行双边滤波操作，得到处理后的道路破损数据集；本发明通过在FCB模块和FCP模块中，对其中的卷积层进行部分卷积，和对池化层的改进，可以快速地提取道路破损图像的特征，增强道路破损预警模型处理复杂的道路场景的能力，减少道路破损图像特征冗余，在CSAttention模块中，引入了通道注意力机制，模型简单，运行速度快。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.038 seconds)
