-
公开(公告)号：CN114048474B
公开(公告)日：2025-03-28
申请号：CN202111303400.6
申请日：2021-11-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于群体智能的图像识别后门防御方法、装置及介质，基于分布式集群中多个神经网络图像识别模型的关联关系并按照连接密集程度排名，将连接密集的神经网络模型选为种子神经网络模型；针对每两个种子神经网络模型，利用注意力蒸馏表征对该两个种子神经网络模型执行蒸馏操作，提炼对种子神经网络模型后门攻击无效的注意力激活图Al；通过设计鲁棒蒸馏损失函数L衡量两个种子神经网络模型的激活注意力图Al的欧式距离和余弦距离，种子神经网络模型基于L计算梯度值并进行反向传播，更新种子神经网络模型参数。本发明提出的群体智能图像识别后门防御算法在图像识别后门防御任务下的性能和效率达到了目前最优水平。
-
公开(公告)号：CN114048474A
公开(公告)日：2022-02-15
申请号：CN202111303400.6
申请日：2021-11-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于群体智能的图像识别后门防御方法、装置及介质，基于分布式集群中多个神经网络图像识别模型的关联关系并按照连接密集程度排名，将连接密集的神经网络模型选为种子神经网络模型；针对每两个种子神经网络模型，利用注意力蒸馏表征对该两个种子神经网络模型执行蒸馏操作，提炼对种子神经网络模型后门攻击无效的注意力激活图Al；通过设计鲁棒蒸馏损失函数L衡量两个种子神经网络模型的激活注意力图Al的欧式距离和余弦距离，种子神经网络模型基于L计算梯度值并进行反向传播，更新种子神经网络模型参数。本发明提出的群体智能图像识别后门防御算法在图像识别后门防御任务下的性能和效率达到了目前最优水平。
-
公开(公告)号：CN112508794A
公开(公告)日：2021-03-16
申请号：CN202110145097.5
申请日：2021-02-03
Applicant: 中南大学
Abstract: 本发明公开了一种医疗图像超分辨率重建方法及系统，构建一个蒸馏渐进式细化模块，逐步提取层次结构特征，并能够通过对比度感知注意力模块协作，逐步筛选出最有用的特征信息，这不仅能提取深层特征，还能保留图像高频部分，如边缘、结构等，最终经过组合式上采样模块，可将低分辨率医疗图像重建成边缘、细节信息清晰的超分辨率图像，能够提升医疗图像超分辨率效率（重建单张图像的时间约为38毫秒）。经过实验证明，本发明的基于多重特征蒸馏的医疗图像超分辨率方法，能够提升医疗超分辨率图像的质量和效率，图像的客观指标和重建时间都优于对比的方法，模型的参数量相对于对比模型少了6倍左右。
-
公开(公告)号：CN113780557B
公开(公告)日：2022-02-15
申请号：CN202111332352.3
申请日：2021-11-11
Applicant: 中南大学
IPC: G06N3/08 , G06N3/04 , G06N5/00 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06F21/64
Abstract: 本发明公开了一种基于免疫理论的对抗图像攻击方法、装置、产品及介质，基于图像像素的位置关系，利用神经网络损失函数的梯度回传学习每一个像素所占的权重值，得到注意力权重，将注意力权重与像素值相乘后输入激活函数，得到注意力类激活图Ac(i,j)，所述类激活图可近似表征图像目标像素；通过掩码Bk随机掩盖注意力类激活图Ac(i,j)，获取对非目标像素攻击无效的注意力激活图，利用非目标像素攻击无效的注意力激活图获取分类特征向量；将分类特征向量输入设计的泛化性鲁棒损失函数计算梯度值，利用梯度值对神经网络进行后向传播，训练所述神经网络。本发明的方法在对抗图像攻击任务中达到了最先进防御水平。
-
公开(公告)号：CN115601238A
公开(公告)日：2023-01-13
申请号：CN202211272548.2
申请日：2022-10-18
Applicant: 湖南文理学院(CN) , 中南大学(CN)
IPC: G06T3/40
Abstract: 本发明公开了一种视频超分辨率重建方法、系统、终端设备及存储介质，对视频帧特征x进行上采样，将上采样的结果进行非线性映射，得到上采样特征；对所述上采样特征进行下采样，得到与视频帧特征x同分辨率的特征集；将所述视频帧特征x与所述特征集求和，对求和后的特征依次进行上采样和下采样操作，得到重建特征。本发明针对视频超分辨率重建图像纹理模糊的问题，提出了基于帧间信息利用的视频超分辨率算法，充分利用时间序列信息和当前帧特征，实现了高画质的视频帧重建，重建后的视频具有更加清晰的纹理细节，且本发明无需复杂的模型，参数量小，重建效率高。
-
Patent Agency Ranking
公开(公告)号：CN113516638A
公开(公告)日：2021-10-19
申请号：CN202110710164.3
申请日：2021-06-25
Applicant: 中南大学 , 中国人民解放军32801部队
Abstract: 本发明公开了一种神经网络内部特征重要性可视化分析及特征迁移方法，通过基于先验知识对数据集进行采样，划分代表性数据子集，对数据子集平均化、正则化，得到数据子集标准平均图，根据导向反向传播特征可视化方法获取神经网络内部所有神经元针对每张标准平均图的特征可视化图像，基于特征可视化图像与标准平均图的余弦相似度作为对应神经元的价值，根据层相似值判断网络层拟合情况和层内神经元相似值评估网络神经元拟合情况，使用神经网络剪枝算法提取高价值网络模块并进行迁移测试。本发明实现以量化与可视化结合的方式衡量卷积神经网络特征重要性，完成对原模型重要特征的提取重用，提高神经网络模型可解释性，帮助分析理解模型拟合情况。
-
公开(公告)号：CN112508794B
公开(公告)日：2021-04-20
申请号：CN202110145097.5
申请日：2021-02-03
Applicant: 中南大学
Abstract: 本发明公开了一种医疗图像超分辨率重建方法及系统，构建一个蒸馏渐进式细化模块，逐步提取层次结构特征，并能够通过对比度感知注意力模块协作，逐步筛选出最有用的特征信息，这不仅能提取深层特征，还能保留图像高频部分，如边缘、结构等，最终经过组合式上采样模块，可将低分辨率医疗图像重建成边缘、细节信息清晰的超分辨率图像，能够提升医疗图像超分辨率效率（重建单张图像的时间约为38毫秒）。经过实验证明，本发明的基于多重特征蒸馏的医疗图像超分辨率方法，能够提升医疗超分辨率图像的质量和效率，图像的客观指标和重建时间都优于对比的方法，模型的参数量相对于对比模型少了6倍左右。
-
公开(公告)号：CN111477337A
公开(公告)日：2020-07-31
申请号：CN202010265557.3
申请日：2020-04-07
Applicant: 中南大学
Abstract: 本发明公开了一种基于个体自适应传播网络的传染病预警方法、系统及介质，对多模态的传染病数据进行统一表征；利用统一表征的传染病数据，构建基于个体自适应行为信息网络和传染病传播网络的相互作用模型，分析相互作用模型的阈值，根据所述阈值确定个体自适应行为和传染病传播之间的作用关系。本发明能够将不同模态的数据统一表征，能够准确刻画个体自适应行为，准确预测传染病的传播阈值。
-
公开(公告)号：CN113516638B
公开(公告)日：2022-07-19
申请号：CN202110710164.3
申请日：2021-06-25
Applicant: 中南大学 , 中国人民解放军32801部队
Abstract: 本发明公开了一种神经网络内部特征重要性可视化分析及特征迁移方法，通过基于先验知识对数据集进行采样，划分代表性数据子集，对数据子集平均化、正则化，得到数据子集标准平均图，根据导向反向传播特征可视化方法获取神经网络内部所有神经元针对每张标准平均图的特征可视化图像，基于特征可视化图像与标准平均图的余弦相似度作为对应神经元的价值，根据层相似值判断网络层拟合情况和层内神经元相似值评估网络神经元拟合情况，使用神经网络剪枝算法提取高价值网络模块并进行迁移测试。本发明实现以量化与可视化结合的方式衡量卷积神经网络特征重要性，完成对原模型重要特征的提取重用，提高神经网络模型可解释性，帮助分析理解模型拟合情况。
-
公开(公告)号：CN114267432B
公开(公告)日：2022-05-24
申请号：CN202210191966.2
申请日：2022-03-01
Applicant: 中南大学
IPC: G16H30/00 , G16H50/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了生成对抗网络交替训练及医疗图像分类方法、装置、介质，通过对生成器和判别器的收敛程度进行度量，能够量化生成器和判别器的训练收敛程度；通过制定自适应交替训练策略，能够根据当前生成器和判别器的收敛程度，自适应地确定下一次是训练生成器还是判别器；通过基于自适应生成对抗网络对医疗影像进行疾病分类，能够提高分类准确率和识别效果，辅助医护人员对疾病进行诊断。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.023 seconds)
