-
公开(公告)号：CN104636408A
公开(公告)日：2015-05-20
申请号：CN201410414956.6
申请日：2014-08-21
Applicant: 中国科学院计算技术研究所 , 新华通讯社
IPC: G06F17/30
CPC classification number: G06F17/3089 , G06F17/30705
Abstract: 本发明公开了一种基于用户生成内容的新闻认证预警方法及系统，其中该方法包括，通过对新闻线索进行语义扩展，获得参考数据，将该参考数据进行定向采集，获取该新闻线索相关的信息内容、传输模式、用户群体、用户群体的行为信息和属性信息等，对信息内容进行语义知识提取，将该语义知识进行进行聚类和相似度计算，识别与历史新闻线索数据库不匹配的新闻线索，并从语义知识对比、用户群体、传播模式和信息内容等方面对其进行可信度评估。最终形成UGC新闻真实性的分级度量和预警，为该新闻是否为真实信息提供决策支持。
-
公开(公告)号：CN104572807B
公开(公告)日：2018-02-06
申请号：CN201410594515.9
申请日：2014-10-29
Applicant: 中国科学院计算技术研究所 , 新华通讯社
IPC: G06F17/30
Abstract: 本发明涉及微博新闻可信度领域，特别涉及一种基于微博信息源的新闻认证方法及系统，该方法包括：提取新闻的信息源，作为待认证信息源，获取与所述待认证信息源相对应用户的用户信息；获取所述用户的互粉比例、认证粉丝比例、粉丝数与关注数比例，并根据以上三个比例，获取所述用户的社交关系可信度值；获取所述用户的用户活跃度与历史微博平均影响力，将所述用户活跃度与所述历史微博平均影响力的乘积作为所述用户的社交行为可信度值；获取微博的评价舆情指数，同时查找所述微博的评论微博，并获取所述评论微博的评论舆情指数，将所述评价舆情指数与所述评论舆情指数作为社交评价可信度值；将以上三个可信度值进行线性加权求和作为综合可信度值。
-
公开(公告)号：CN104636408B
公开(公告)日：2017-08-08
申请号：CN201410414956.6
申请日：2014-08-21
Applicant: 中国科学院计算技术研究所 , 新华通讯社
IPC: G06F17/30
Abstract: 本发明公开了一种基于用户生成内容的新闻认证预警方法及系统，其中该方法包括，通过对新闻线索进行语义扩展，获得参考数据，将该参考数据进行定向采集，获取该新闻线索相关的信息内容、传输模式、用户群体、用户群体的行为信息和属性信息等，对信息内容进行语义知识提取，将该语义知识进行进行聚类和相似度计算，识别与历史新闻线索数据库不匹配的新闻线索，并从语义知识对比、用户群体、传播模式和信息内容等方面对其进行可信度评估。最终形成UGC新闻真实性的分级度量和预警，为该新闻是否为真实信息提供决策支持。
-
公开(公告)号：CN104572807A
公开(公告)日：2015-04-29
申请号：CN201410594515.9
申请日：2014-10-29
Applicant: 中国科学院计算技术研究所 , 新华通讯社
IPC: G06F17/30
CPC classification number: G06F17/3089 , G06Q50/01
Abstract: 本发明涉及微博新闻可信度领域，特别涉及一种基于微博信息源的新闻认证方法及系统，该方法包括：提取新闻的信息源，作为待认证信息源，获取与所述待认证信息源相对应用户的用户信息；获取所述用户的互粉比例、认证粉丝比例、粉丝数与关注数比例，并根据以上三个比例，获取所述用户的社交关系可信度值；获取所述用户的用户活跃度与历史微博平均影响力，将所述用户活跃度与所述历史微博平均影响力的乘积作为所述用户的社交行为可信度值；获取微博的评价舆情指数，同时查找所述微博的评论微博，并获取所述评论微博的评论舆情指数，将所述评价舆情指数与所述评论舆情指数作为社交评价可信度值；将以上三个可信度值进行线性加权求和作为综合可信度值。
-
公开(公告)号：CN119274227A
公开(公告)日：2025-01-07
申请号：CN202310816354.2
申请日：2023-07-05
Applicant: 中国科学院计算技术研究所
IPC: G06V40/20 , G06V40/10 , G06V10/25 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种行人检测模型，用于检测图像中的行人，所述模型包括：特征提取模块，用于对图像进行特征提取得到原始特征图；区域生成模块，用于采用锚框对所述原始特征图进行候选目标框选以获取带锚框的特征图；空间注意力模块，用于对所述带锚框的特征图中被锚框框选部分进行掩码处理以获取掩码特征图；校准模块，用于基于所述带锚框的特征图对所述掩码特征图进行像素校准，并用于对像素校准后的特征图进行池化处理，以及基于池化处理后的特征图对所述原始特征图进行候选校准得到校准特征图；行人识别模块，用于对所述校准特征图进行分类以识别行人所在位置。本发明所提出的模型能够有效地学习被遮挡的行人特征来提高对被遮挡行人的检测准确率。
-
Patent Agency Ranking
公开(公告)号：CN113627498B
公开(公告)日：2024-03-12
申请号：CN202110854800.X
申请日：2021-07-28
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/46 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种人物丑化图像识别模型训练方法，包括以下步骤：将真实图像样本输入到丑化分类器中进行训练以使该其具有图像分类和图像特征提取的功能；冻结该丑化分类器的网络参数并将其作为图像特征提取器，将噪声和该真实图像样本输入到分类有益生成对抗网络进行训练以使其具有生成合成图像样本的功能；将该分类有益生成对抗网络生成的合成图像样本输入到该丑化分类器中进行进一步训练，得到该丑化分类器即为该人物丑化图像识别模型。
-
公开(公告)号：CN113537027B
公开(公告)日：2023-09-01
申请号：CN202110776853.4
申请日：2021-07-09
Applicant: 中国科学院计算技术研究所
IPC: G06V40/16 , G06V10/40 , G06V10/764 , G06V10/774 , G06N20/00
Abstract: 本发明提出一种基于面部划分的人脸深度伪造检测方法和系统，包括：对训练数据，提取全局人脸特征；根据获取全局人脸特征过程中产生的浅层卷积特征，将该浅层卷积特征根据预设的面部划分方式，划分为多个图像区域，分别将该图像区域输入至局部人脸特征提取模型，得到该人脸图像的多个局部特征；通过注意力模型提取该多个局部特征间的关系特征，并将该关系特征与该全局特征拼接后输入至二分类模型，得到该训练数据的检测结果，根据该结果和该标签构建损失函数，以训练该全局人脸特征提取模型、局部人脸特征提取模型、注意力模型和该二分类模型。
-
公开(公告)号：CN115393697A
公开(公告)日：2022-11-25
申请号：CN202210895693.X
申请日：2022-07-28
Applicant: 国家计算机网络与信息安全管理中心 , 中国科学院计算技术研究所
IPC: G06V20/00 , G06V10/26 , G06V10/30 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于多元特征融合分割的图片伪造检测方法和系统，通过提取图像中伪造区域的光照梯度、噪声分布、压缩一致性特征后，对其进行加权融合成一个新的综合特征，送入到专用的分割神经网络判断图像是否是伪造的，并标记出伪造区域，同时将多元融合特征与网络分割结果结合，给出伪造检测的解释性展示，在提高传统方法的准确率和普适性的同时，弥补了深度学习方法可解释性较低的不足。
-
公开(公告)号：CN110647382B
公开(公告)日：2022-02-18
申请号：CN201910885221.4
申请日：2019-09-19
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种车联网服务动态迁移方法，充分考虑移动速度对迁移决策的影响，建立移动速度与服务迁移的好处和成本的关系模型，设计动态的迁移机制，根据车辆的移动速度进行迁移成本和服务QoS的动态均衡。与现有技术相比，本发明根据车辆移动速度进行动态迁移策略设计，有效增加运营商收益且能够更好的保障业务的QoS；充分考虑车辆的移动速度和业务的迁移时间，保障业务被迁移到当迁移完成时距离用户最近的MEC服务器，与现有技术相比，有效增加迁移收益。
-
公开(公告)号：CN113962887A
公开(公告)日：2022-01-21
申请号：CN202111220300.7
申请日：2021-10-20
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种二维冷冻电镜图像去噪模型的训练方法，所述方法包括：S1、获取原始图像数据集，从原始图像数据集中提取每个图像对应的纯噪声区域以获得纯噪声样本并组成纯噪声数据集；S2、采用步骤S1获得的纯噪声数据集训练生成式模型获得噪声生成模型，并采用训练的噪声生成模型生成多个新的纯噪声样本以扩充纯噪声数据集获得新的纯噪声数据集；S3、将新的纯噪声数据集中的纯噪声样本迁移到模拟生成的无噪声图像中以获得无噪声‑带噪声样本组成的无噪声‑带噪声数据集；S4、采用步骤S3获得的无噪声‑带噪声数据集训练卷积神经网络至收敛。
-
-
-
-
-
-
-
-
-
Search Results
217
records
(took 0.048 seconds)
