公开(公告)号：CN117851942A

公开(公告)日：2024-04-09

申请号：CN202311416862.8

申请日：2023-10-27

Applicant: 华中科技大学

Inventor： 刘渝 ,  魏如凯 ,  周可 ,  张永强

IPC: G06F18/2433 ,  G06F18/214 ,  G06V10/40 ,  G06V10/62 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/094

Abstract: 本发明公开了一种基于重构对抗训练的数据库系统异常检测方法和装置，属于数据库系统检测技术领域，所述方法：将数据库系统的监控数据由一维表示组织成二维图像模态表示从而进行特征提取，以构建训练样本集；该训练样本可以采用神经网络进行学习。基于重构对抗训练方式利用所述训练样本集对异常检测模型进行训练，使其充分学习输入特征中的规律，利用训练好的具有重构能力和判别能力的异常检测模型，以及动态阈值来完成异常检测工作，异常检测准确率更高、速率更快；此外动态调整异常阈值，避免了繁琐的人工阈值调节过程，提升模型了的适用性。由此解决现有异常检测方法检测准确性较低、时间开销大且适用性差的技术问题。

公开(公告)号：CN116127119A

公开(公告)日：2023-05-16

申请号：CN202310002357.2

申请日：2023-01-03

Applicant: 华中科技大学

Inventor： 谢延昭 ,  魏如凯 ,  刘渝 ,  周可

IPC: G06F16/583 ,  G06V10/44 ,  G06V10/75 ,  G06V10/82 ,  G06N3/0455

Abstract: 本发明公开了一种基于对象规模感知的多标签图像检索方法，其利用感知图像对象规模的哈希质心，构建了一个具有较高检索性能的端到端多标签图像检索方法。本发明提出的方法首先利用Swin Transformer骨干网络作为图像特征提取器，用标签语义信息指导哈希中心点的生成，并提出与对象规模相关的标签亲和度系数的计算方法，二者共同生成包含了对象规模的哈希质心。这些哈希质心作为汉明空间中的锚点，引导多标签图像哈希码不断靠近其对应哈希质心，通过不断的优化基于中心相似性损失函数，使得模型学习到良好的哈希映射关系。本发明使用的哈希质心包含了图像中不同对象的规模信息，结合Swin Transformer骨干网络的强大特征提取能能力，大大提高了图像检索方法的检索性能。

公开(公告)号：CN116049467A

公开(公告)日：2023-05-02

申请号：CN202310086525.0

申请日：2023-01-17

Applicant: 华中科技大学

Inventor： 刘渝 ,  谢延昭 ,  魏如凯 ,  周可

IPC: G06F16/58 ,  G06F16/55 ,  G06F16/51 ,  G06V10/764 ,  G06V10/82 ,  G06V10/74 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/088

Abstract: 本发明公开了一种基于标签视觉联合感知的无监督图像检索方法，首先获取待检索图像以及图像数据库中的多个图像，使用PIL库将该待检索图像和每个图像分别转换为多维张量，所有多维张量构成多维张量集合，然后将多维张量集合输入预先训练好的检索模型中，以得到待检索图像对应的哈希码，以及每个图像对应的哈希码，针对每个图像对应的哈希码而言，计算其与待检索图像对应的哈希码之间的相似度，其中检索模型包括依次连接的ResNet‑101网络、标签共现嵌入生成网络、视觉相似性嵌入生成网络、双重OGSP网络、自监督网络、以及哈希函数学习网络。本发明能够解决现有无监督多标签图像检索方法无法得到最佳的MAP、进而影响最终检索性能的技术问题。

公开(公告)号：CN119669522A

公开(公告)日：2025-03-21

申请号：CN202411734332.2

申请日：2024-11-29

Applicant: 华中科技大学

Inventor： 魏如凯 ,  刘渝 ,  周可

IPC: G06F16/901 ,  G06F16/903 ,  G06F16/583 ,  G06F16/58 ,  G06F16/334 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了图像‑文本跨模态哈希码提取模型建立方法及其应用，属于跨模态检索领域，包括：利用哈希模型分别提取训练集和当前训练批次中的图像的哈希码和文本的哈希码，并建立图像全局图、图像局部图、文本全局图和文本局部图，利用图像局部图重建文本特征，利用文本全局图重建图像特征；建立损失函数，并进行模型训练直至损失函数收敛；损失函数包括：模态内对比损失，用于拉近全局图中相邻哈希码间的距离，并拉远不相邻哈希码间的距离；模态间对比损失，包括全局图中各节点与其相邻节点所匹配的另一模态哈希码间的相似度损失；以及重建损失，包括重建所得特征与原始特征间的损失。本发明能够提高图像‑文本跨模态检索的准确度。

公开(公告)号：CN119669190A

公开(公告)日：2025-03-21

申请号：CN202411735949.6

申请日：2024-11-29

Applicant: 华中科技大学

Inventor： 魏如凯 ,  刘渝 ,  周可 ,  张永强

IPC: G06F16/21 ,  G06F16/28 ,  G06F18/24 ,  G06N7/01

Abstract: 本发明公开了一种基于参数类型定制优化的数据库参数调优方法，属于数据库配置优化领域，该方法包括：将数据库参数空间按照参数类型划分成连续型参数子空间和分类型参数子空间，并将其投影到低维空间，分别低维的连续型参数型子空间和分类型参数子空间中使用GP模型和SMAC模型作为代理模型搜索连续型参数配置和分类型参数配置；通过迭代优化及基于上下文的通信机制，实现了GP模型和SMAC模型的交互；并将参数配置结果映射回数据库参数空间进行性能评估。本发明能够有效提升数据库参数调优性能和效率，允许用户在更短时间内搜索出性能更高的数据库参数配置。