-
公开(公告)号：CN116302953A
公开(公告)日：2023-06-23
申请号：CN202310034262.9
申请日：2023-01-10
Applicant: 南通大学
IPC: G06F11/36
Abstract: 本发明提供了一种基于增强嵌入向量语义表示的软件缺陷定位方法，属于计算机技术领域，解决了多模态嵌入向量语义信息表示不足的技术问题。其技术方案为：包括以下步骤：S1：对源代码进行数据增强；S2：构造模态之间和模态内部的正负样本对；S3：对缺陷报告进行文本预处理，得到文本序列；S4：文本序列输入CodeBert预训练模型得到嵌入向量表示；S5：学习模态内部和模态之间的相似性；S6：联合检索任务和二元分类任务微调预训练模型。S7:对源代码文件进行排序得到预测结果。本发明的有益效果为：通过对比学习，获得更好的嵌入向量表示，联合检索模型和分类模型对源代码文件进行排序，进一步提高缺陷定位的有效性。
-
公开(公告)号：CN116189275B
公开(公告)日：2024-01-30
申请号：CN202310103916.9
申请日：2023-02-13
Applicant: 南通大学
IPC: G06V40/18 , G06V40/16 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及机器学习视觉技术领域，尤其涉及一种基于面部地标热图的线上考试监考方法，包括：S1：对眼动数据集进行预处理，将数据集分为训练集和测试集；S2：搭建二元模型中的Face‑net,从面部图像获取粗粒度视线估计；S3：搭建Eye‑net,从眼部图像获取细粒度视线估计；S4：完善二元模型，计算出最终的视线估计方向，并用该模型评估作弊行为。本发明无需针对个人进行校对即可进行精准的视线估计，有助于提高线上监考时辨别作弊行为的准确率。
-
Patent Agency Ranking
公开(公告)号：CN104461867A
公开(公告)日：2015-03-25
申请号：CN201410623526.5
申请日：2014-11-08
Applicant: 南通大学
IPC: G06F11/36
Abstract: 本发明提出了一种软件演化过程故障分析方法，主要用于解决软件在不断演化过程中故障理解和分析问题，包括如下步骤：步骤1、使用AST分析器，构造演化修改程序的中间表示形式抽象语法树EFAGM_AST；步骤2、基于演化修改，确立EFAGM的关键修改节点集，依次构建修改节点集的前向和后向影响节点和路径；步骤3、根据计算EFAGM图节点的域，生成EFAGM的静态影响因子和动态影响因子，完成演化故障分析图模型EFAGM的构建；在故障发生时，采用EFAGM实现对程序演化修改引起的故障分析。本发明不仅可以表示演化修改影响元素及其之间的关系，而且能有效提高演化故障分析的效率。
-
公开(公告)号：CN112116016A
公开(公告)日：2020-12-22
申请号：CN202011020788.4
申请日：2020-09-25
Applicant: 南通大学
Abstract: 本发明适用于神经网络模型技术领域，提供了一种基于机器学习的足底图像智能标定方法，通过依次采集足底图像，人工对足底图像进行反射区标定，将人工标定的图像数据作为训练数据发送到图像标定模型，图像标定模型根据训练数据进行训练，得到训练后的图像标定模型，采集待测足底图像，将待测足底图像发送到训练好的图像标定模型进行标定，输出反射区标定结果，从而能够快速对待测足底图像进行反射区标定，操作方便，并且工作效率高，节约了人力成本。
-
公开(公告)号：CN104461867B
公开(公告)日：2018-04-03
申请号：CN201410623526.5
申请日：2014-11-08
Applicant: 南通大学
IPC: G06F11/36
Abstract: 本发明提出了一种软件演化过程故障分析方法，主要用于解决软件在不断演化过程中故障理解和分析问题，包括如下步骤：步骤1、使用AST分析器，构造演化修改程序的中间表示形式抽象语法树EFAGM_AST；步骤2、基于演化修改，确立EFAGM的关键修改节点集，依次构建修改节点集的前向和后向影响节点和路径；步骤3、根据计算EFAGM图节点的域，生成EFAGM的静态影响因子和动态影响因子，完成演化故障分析图模型EFAGM的构建；在故障发生时，采用EFAGM实现对程序演化修改引起的故障分析。本发明不仅可以表示演化修改影响元素及其之间的关系，而且能有效提高演化故障分析的效率。
-
公开(公告)号：CN119830306A
公开(公告)日：2025-04-15
申请号：CN202510026747.2
申请日：2025-01-08
Applicant: 南通大学
Abstract: 本发明提供了一种基于多模态数据融合的去中心化漏洞评估方法，属于计算机技术领域，解决了传统漏洞评估方法无法充分结合多模态数据、无法有效保护数据隐私的技术问题。其技术方案包括以下步骤：S1：对漏洞评估数据集进行预处理；S2：提取源代码的结构信息、词法特征和注释信息；S3：将源代码和注释信息输入到CodeT5模型中，并结合Joern处理的图结构信息进行多模态特征融合；S4：通过自适应权重机制进行跨模态信息融合，优化模型性能；S5：在本地进行模型训练；S6：将测试集输入训练好的模型中进行漏洞评估，输出分类结果。提升了漏洞评估的准确性、全面性和隐私保护能力。
-
公开(公告)号：CN116189275A
公开(公告)日：2023-05-30
申请号：CN202310103916.9
申请日：2023-02-13
Applicant: 南通大学
IPC: G06V40/18 , G06V40/16 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及机器学习视觉技术领域，尤其涉及一种基于面部地标热图的线上考试监考方法，包括：S1：对眼动数据集进行预处理，将数据集分为训练集和测试集；S2：搭建二元模型中的Face‑net,从面部图像获取粗粒度视线估计；S3：搭建Eye‑net,从眼部图像获取细粒度视线估计；S4：完善二元模型，计算出最终的视线估计方向，并用该模型评估作弊行为。本发明无需针对个人进行校对即可进行精准的视线估计，有助于提高线上监考时辨别作弊行为的准确率。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
