-
公开(公告)号：CN117218051A
公开(公告)日：2023-12-12
申请号：CN202210613530.8
申请日：2022-06-01
Applicant: 深圳慕智科技有限公司 , 南京大学深圳研究院
Abstract: 一种基于变异图像熵值引导的神经网络模糊测试方法，其主要特征是根据熵值大小来为种子分配权重；然后以权重为概率选取种子进行基于蜕变关系的图像变异，并更新种子的熵值；最后将得到的包含变异图像的数据集输入待测模型，进行神经元覆盖率评估，分析得到的结果。
-
公开(公告)号：CN117197601A
公开(公告)日：2023-12-08
申请号：CN202210584778.6
申请日：2022-05-27
Applicant: 深圳慕智科技有限公司 , 南京大学深圳研究院
IPC: G06V10/774 , G06V10/82 , G06T7/00 , G06T17/00 , G06T19/20 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 一种基于GAN生成的三维图像扩增方法，其特征是针对三维的图像数据使用生成对抗网络实现图像生成，扩充深度学习模型数据集，解决样本分布不均的问题。基于领域样本信息的原始三维图像进行数据预处理，进行原始数据集获取，三维图像标注信息规范化处理，进行生成对抗模型数据集获取；然后，基于生成对抗网络进行三维图像生成，实现生成对抗网络结构3D‑DCGAN，使用提取的关键训练样本训练3D‑DCGAN，直到损失函数趋于平衡，随机噪声传入生成器生成三维图像样本。
-
公开(公告)号：CN110688321B
公开(公告)日：2022-07-08
申请号：CN201910952056.X
申请日：2019-09-29
Applicant: 南京大学
IPC: G06F11/36 , G06N3/00 , G06F16/951
Abstract: 本发明提出一种结合群体智能与机器智能增强移动应用测试的方法，用于增强机器智能的代码覆盖率，以获得更多发现缺陷的机会。该发明的主要创新在于两方面，一方面是将群体智能产出的代码进行了格式化的整理，从而找出群体智能在应用进行的测试中，不同页面之间进行转移的最短路径与相同页面内，和仅在少数代码中出现的特异路径，并保存为自动化工具的配置文件；另一方面将这些整理后的路径通过配置文件接人到机器智能中，使得机器智能可以解决由于部分页面之间的转移需要进行逻辑性操作(组合操作)而难以甚至无法实现的问题。
-
公开(公告)号：CN114265764A
公开(公告)日：2022-04-01
申请号：CN202111471772.X
申请日：2021-11-30
Applicant: 南京大学
Abstract: 一种基于带权重采样的深度学习算子测试数据生成方法，其特征是将一组提前设计的变异方法视作向不同数据取值域的映射，在其中进行预先的蒙特卡罗采样，从而获取各变异方法的有效性并以此为权重进行采样，并最终在兼顾数据多样性的同时更有效地生成深度学习算子测试数据。数据变异方法组合可灵活进行增、删、改，本方法提供的基本变异方法包括：字节、噪声和倒转变异。其中，字节变异指对测试数据的浮点数二进制编码进行字节操作的变异，包括各字节的增加、删除、取反、移位、随机重置；噪声变异是指随机使用各类噪声施加于测试数据；倒转变异是指将测试数据作为分母计算其伪倒数的变异。上述变异基于不同的基本思想，兼顾有效性与多样性。
-
公开(公告)号：CN114265581A
公开(公告)日：2022-04-01
申请号：CN202111471925.0
申请日：2021-11-30
Applicant: 南京大学
Abstract: 一种基于语法规则的深度神经网络自动生成方法，包括语法规则模块、安全检查模块、迭代生成模块、任务管理模块和数据处理模块。通过语法规则模块建立和更新语法规则，确保生成的深度神经网络模型的静态可用性；安全检查模块负责模拟深度神经网络模型的动态执行情况，以检查模型中的张量和拓扑关系，确保生成的深度神经网络模型的动态可用性；迭代生成模块逐层添加深度神经网络模型；任务管理模块生成和验证深度神经网络，实现对生成和验证任务的新建、查询、删除等操作；数据处理模块实现对待测框架类型和版本的新增和删除，同时对执行结果进行分析。多模块相互协同，以得到深度神经网络模型的生成报告及模型源文件，并提供测试结果预测等功能。
-
Patent Agency Ranking
公开(公告)号：CN113204488A
公开(公告)日：2021-08-03
申请号：CN202110581488.1
申请日：2021-05-26
Applicant: 南京大学
IPC: G06F11/36 , G06F40/35 , G06F40/279 , G06N3/04 , G06N3/08
Abstract: 一种针对递归神经网络驱动的对话系统的自动化测试方法。该方法基于语义不变的文本数据变换规则，对原始测试集进行扩增变换，生成具有真实性的测试数据；同时，该方法基于计算被测递归神经网络预测测试用例时的Gini不确定系数，选择容易触发被测模型错误行为的测试用例，以提高对话系统的测试效率。在生成测试数据的基础上，通过将被测模型的实际输出结果与数据的真实标签结果进行比较，记录对话系统对测试用例理解出错的实例；同时，该方法可以将生成数据用于被测RNN模型的重新训练，以提升RNN自然语言理解模型的准确性，提升对话系统的鲁棒性，保障对话系统等智能软件的安全可靠性。
-
公开(公告)号：CN112579152A
公开(公告)日：2021-03-30
申请号：CN201910951887.5
申请日：2019-09-30
Applicant: 南京大学
IPC: G06F8/73
Abstract: 一种面向Python语言的文档缺陷检测方法，其特征是基于对python语言的静态分析和自然语言处理技术，对python文档中的代码和注释指令中存在的缺陷进行自动检测。该方法涵盖了python代码及注释中最主要的三类错误，包括：自然语言描述相关的反模式，注释中约束条件实现检测，注释中范例代码错误检测。该发明的输入为python源代码包，分别提取代码示例、代码注释、代码名进行分析，检测并输出其中所存在的缺陷。该发明有以下有益效果：从复杂繁琐的文档中精准定位并找出文档缺陷，可以大大提高开发人员的审查效率，同时减少文档阅读者的阅读障碍及理解错误。自动化检测出文档中所存在的错误，对于软件的开发和维护都有着重要意义。
-
公开(公告)号：CN111459788A
公开(公告)日：2020-07-28
申请号：CN201910055791.0
申请日：2019-01-18
Applicant: 南京大学
Abstract: 本发明涉及一种基于支持向量机的测试程序抄袭检测方法。该方法对于待测程序和测试程序进行切割和静态分析，得到待测方法映射集合和测试方法映射集合；其次，两两遍历选手，计算测试片段相似度并汇总得到相似度集合；然后，选取合适的核函数和参照点建立支持向量机模型，并进行优化；最后，对于其他测试程序，通过计算相似度集合并输入支持向量机，判断测试程序之间抄袭情况。本发明目的在于填补关于测试程序代码相似度检测技术的空白，提高了检测测试程序代码抄袭的准确率和精度，从而帮助开发者测试竞赛自动化检测选手的代码抄袭行为，从而免去了人工检测环节，节约了人力成本和时间成本，也保证了竞赛更加公平公正。
-
公开(公告)号：CN111027675A
公开(公告)日：2020-04-17
申请号：CN201911152466.2
申请日：2019-11-22
Applicant: 南京大学
Abstract: 本发明公开了一种多媒体播放设置自动调节方法及系统，方法包括：当按照预设时间间隔或用户操作录制外界环境音频信息，并发送至服务器端；服务器端从接收到的外界环境音频信息中分别提取左声道和右声道的梅尔倒谱系数和恒定Q色度图两种特征，并将两种特征结合后作为各声道的音频特征；服务器端将音频特征输入训练好的深度神经网络中，得到外界环境音频信息对应的环境预测分类标签，并发送至多媒体端；多媒体端判断接收到的环境预测分类标签是否与当前环境分类一致，若不一致，则从预设的设置表中查找与所述环境分类标签对应的推荐播放设置，并按照查找到的推荐播放设置更新多媒体播放设备。本发明可以自动调节多媒体播放设置，更加智能，且调节方法更精确。
-
公开(公告)号：CN110717602A
公开(公告)日：2020-01-21
申请号：CN201910952057.4
申请日：2019-09-29
Applicant: 南京大学
IPC: G06N20/10
Abstract: 本发明提供的是一种基于噪音数据的机器学习模型鲁棒性评估方法，包括原始数据集处理、噪音数据获取、模型训练、模型预测、准确率下降比计算和模型鲁棒性评估。原始数据集处理包括收集百分百标签正确的原始数据集，并采用10次10-折交叉验证划分原始训练集和原始测试集。噪音数据获取包括在原始训练集的基础上，采用分层抽样方法抽取t′＝|D|·α个数据，并将其标签替换为错误标签，其中α为噪音数据率。模型训练包括基于常见分类算法，并分别输入原始训练集和混有噪音数据的训练集分别构建原始模型和新模型。模型预测包括基于原始测试集，对这原始模型和新模型分别进行准确度评估。准确率下降比计算包括计算新模型较原始模型而言准确率下降的比率。模型鲁棒性评估包括横纵向比较准确率下降的比率的大小，衡量模型鲁棒性强弱，实现了判断模型健壮性的标准。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.023 seconds)
