-
公开(公告)号：CN117197605A
公开(公告)日：2023-12-08
申请号：CN202210616477.7
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
IPC: G06V10/774 , G06T3/40 , G06T5/00 , G06T7/00 , G06T19/20
Abstract: 一种基于基于工业缺陷特征的图像扩增方法，通过分析工业图像采集过程，模拟光源类别、镜头参数、相机姿态角变化与传感器特点，从而得到不同工业生产环境下的真实样本；同时提取工业缺陷形态特征，分析缺陷产生原因并进行归纳，模拟缺陷损伤程度、大小、长短、方向与方位变化等，从而得到工业多样性特征下的真实样本，最后通过模拟真实工业环境扩增图像对目标检测模型进行强化训练，提升模型识别的精度与泛化能力。
-
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：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：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：CN114280592A
公开(公告)日：2022-04-05
申请号：CN202111471993.7
申请日：2021-11-30
Applicant: 南京大学
Abstract: 基于蜕变方法的雷达波原始数据增强方法，包括数据蜕变模块和数据成像模块。数据蜕变模块包含了对雷达信号发射与接收的方法进行分析，雷达波原始数据存储规则，已经提出的一组有效雷达波数据增强蜕变方法，最后得到多组被标记的雷达波数据。数据成像模块以SAR雷达波原始数据作为实验对象，负责将被标记的SAR雷达波增强数据进行成像，并将合成的图像与其标记的雷达波数据一一对应。
-
公开(公告)号：CN114265765A
公开(公告)日：2022-04-01
申请号：CN202111471856.3
申请日：2021-11-30
Applicant: 南京大学
Abstract: 一种基于强化学习的深度学习算子测试数据生成方法，其特征是基于提前定义的基本变异方法组构造一个基于变异方法及跳转的QTable，进行带关联的强化学习训练，并最终在复杂场景下采用变异方法链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、多项式和高斯变异。其中，字节变异是对测试数据的浮点数二进制编码进行字节操作的变异，包括二进制编码各字节的增加、删除、取反、移位、随机重置；高斯变异指利用以测试数据为均值的高斯分布采样得到新的测试数据；多项式变异指对测试数据到边界的距离进行不同比例的放缩。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：CN114265074A
公开(公告)日：2022-04-01
申请号：CN202111471923.1
申请日：2021-11-30
Applicant: 南京大学
IPC: G01S17/06 , G01S17/931 , G01S17/89
Abstract: 一种基于蜕变算法的三维激光雷达点云数据扩增方法，将三维激光雷达场景点云数据扩增过程处理为通过蜕变算法程序向三维激光雷达场景点云数据中新增其他三维激光雷达物体点云或旋转场景点云数据中带标签的物体点云生成与三维真实激光雷达场景点云数据高度近似的用例的过程。在新增物体方面，程序对真实三维环境采集的真实激光雷达场景点云数据和物体点云数据库中的物体数据进行融合，生成扩增三维激光雷达场景点云数据。在旋转物体方面，程序根据真实激光雷达场景点云数据原始标签对场景中具有标签的物体点云进行提取并旋转，从而在短时间内自动生成大量高度仿真的激光雷达点云数据用例。
-
公开(公告)号：CN114581727A
公开(公告)日：2022-06-03
申请号：CN202111471857.8
申请日：2022-02-19
Applicant: 南京大学
IPC: G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于梯度攻击的三维激光雷达点云数据扩增方法，其特征是将三维激光雷达点云数据的数据扩增过程处理为将原始三维激光雷达点云数据作为PointNet模型的输入，通过梯度攻击的方式生成高度近似原始三维激光雷达点云数据，却能使模型做出错误分类的用例的过程。基于样本输入PointNet模型并基于损失函数进行反向传播而得的梯度值，迭代式的对样本进行梯度攻击，直至达到迭代次数上限或成功生成能使PointNet模型做出错误分类结果的样本。本方法可以通过输入大量三维激光雷达点云数据，在短时间内产生与之高度近似的，却能使模型做出错误分类的用例。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.022 seconds)
