-
公开(公告)号：CN115314287B
公开(公告)日：2024-08-20
申请号：CN202210942026.2
申请日：2022-08-08
Applicant: 大连理工大学
Abstract: 本发明属于网络安全、数据挖掘、人工智能技术领域，公开了一种基于深度聚类的对抗异常检测系统，对高维复杂的多媒体数据进行异常检测。针对现有检测系统忽略正常数据与异常数据之间差异的问题，本发明的系统利用深度聚类模块对正常数据和异常数据在隐空间进行划分。通过深度聚类阶段，深度聚类模块可以学到正常数据与异常数据的簇状结信息。此外，该系统采用零和博弈思想，构建对抗异常检测模块学习正常数据在隐空间的特征分布信息。为了获得可靠的异常检测结果，系统采用自适应异常检测评估策略来判定输入数据是否存在异常。本发明在效率以及效果上均获得不错的表，为基于深度学习的异常检测系统提供一种新的框架。
-
公开(公告)号：CN114692615A
公开(公告)日：2022-07-01
申请号：CN202210229937.0
申请日：2022-03-09
Applicant: 大连理工大学
IPC: G06F40/263 , G06F40/284 , G06F40/289 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于对话系统意图识别应用领域，提出了一种针对小语种的小样本意图识别方法。该方法通过数据预处理、方法设计、模型训练和模型测试和四个阶段，基于小样本学习意图识别，旨在针对小语种对话语句进行意图识别，从人类对话中理解其真实意图。本发明中的小样本学习可以在每类只有少量甚至个位数标记数据的情况下实现类别预测，因此能有效突破小语种语料不足的障碍。同时发现了用户意图表达多样化对意图识别的干扰，从多语义的角度对对话语句进行特征建模和关系建模，确保了语句语义特征更接近真实意图特征，提高了小语种意图识别的准确性。
-
公开(公告)号：CN114386569B
公开(公告)日：2024-08-23
申请号：CN202111572920.7
申请日：2021-12-21
Applicant: 大连理工大学
IPC: G06V20/70 , G06N3/0442 , G06N3/048 , G06N3/08 , G06V10/80 , G06V10/82 , G06F40/295
Abstract: 一种使用胶囊网络的新型图像描述生成方法,首先使用具有多通道的双线性池化注意模块处理区域级图像特征，通过双线性池化注意力机制和挤压—奖励操作对区域级特征进行处理，得到多通道注意的视觉特征；然后，将多通道特征输入到胶囊网络中，将区域级特征的每一维度作为一个底层胶囊中的活动向量，通过动态路由计算将区域级特征聚合为全局级图像特征；最后，解码使用LSTM的隐藏层向量、图像特征和上一时刻生成的单词词向量作为下一时刻的输入，同时使用双线性池化算法对特征和隐藏层状态进行更新，从而生成对应单词。经过多层LSTM，生成的多个单词组成对应的描述。本发明实现了使用胶囊网络在图像描述生成过程中捕捉相对位置关系并生成了更好的图像描述。
-
公开(公告)号：CN114692615B
公开(公告)日：2024-08-06
申请号：CN202210229937.0
申请日：2022-03-09
Applicant: 大连理工大学
IPC: G06F40/263 , G06F40/284 , G06F40/289 , G06F40/30 , G06F18/241 , G06N3/0442 , G06N3/0455 , G06N3/084
Abstract: 本发明属于对话系统意图识别应用领域，提出了一种针对小语种的小样本意图识别方法。该方法通过数据预处理、方法设计、模型训练和模型测试和四个阶段，基于小样本学习意图识别，旨在针对小语种对话语句进行意图识别，从人类对话中理解其真实意图。本发明中的小样本学习可以在每类只有少量甚至个位数标记数据的情况下实现类别预测，因此能有效突破小语种语料不足的障碍。同时发现了用户意图表达多样化对意图识别的干扰，从多语义的角度对对话语句进行特征建模和关系建模，确保了语句语义特征更接近真实意图特征，提高了小语种意图识别的准确性。
-
公开(公告)号：CN118230096A
公开(公告)日：2024-06-21
申请号：CN202410441282.2
申请日：2024-04-12
Applicant: 大连理工大学
IPC: G06V10/774 , G06V10/82 , G06V40/16 , G06V10/764 , G06N3/094 , G06N3/0475 , G06N3/045 , G06N3/084
Abstract: 本发明属于深度学习的对抗样本领域，公开一种基于生成对抗网络的高效补丁攻击方法。为解决对抗补丁会遮挡人脸关键位置并且显眼的问题，我们提出使用生成对抗网络生成逼真的补丁，并将其贴在额头处，这样便不会遮挡住人脸关键位置的同时保持自然性；为解决现有脸部补丁迁移成功率低的问题，我们将贴上对抗补丁的对抗样本输入到替代模型上进行优化，并且使用注意力损失和分类损失对其损失函数进行优化，然后与基于迁移的攻击方法进行结合。本发明能够在不遮挡人脸关键位置的情况下，制作出具有自然性并且保持高迁移成功率的对抗补丁，能够对现有的深度学习模型尤其是人脸分类模型造成更大威胁，从而推动深度学习领域对于模型鲁棒性和安全性的思考。
-
Patent Agency Ranking
公开(公告)号：CN115424098A
公开(公告)日：2022-12-02
申请号：CN202211072569.X
申请日：2022-09-02
Applicant: 大连理工大学
IPC: G06V10/776 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04
Abstract: 本发明属于深度学习的对抗样本领域，提出了一种基于分数的贴纸对抗攻击方法，包括任务抽象和生成过程；任务抽象是将具体的攻击任务抽象为一个目标函数，其中对抗扰动作为输入，通过不断降低优化目标函数的值，获得最优值时对应的扰动，生成对抗样本；生成过程是在黑盒设定条件下不断降低目标函数值的过程，即为优化算法。通过本发明所提出的方法，具有高查询效率和高攻击成功率的特点；生成的对抗样本，攻击的成功率高，质量好，不易被所攻击的模型发现。
-
公开(公告)号：CN115272688A
公开(公告)日：2022-11-01
申请号：CN202210919656.8
申请日：2022-08-02
Applicant: 大连理工大学
IPC: G06V10/42 , G06V10/44 , G06V10/74 , G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于元特征的小样本学习图像分类方法，属于小样本学习图像分类领域。用于在只有少量有标签的图像样本场景，能够很好的完成分类任务。由于在度量图像特征表示之间的相似性时，会存在背景因素的干扰，导致分类准确率较差，同时在细粒度的任务中，由于样本量过少导致无法容易得区分两个相似类别的样本。所以本发明基于这个因素，提出了基于元特征的小样本学习方法，即在学习得到图像特征表示时，同时考虑到全局特征表示和局部特征表示，建立一个自适应调节的网络，让网络模型在粗细粒度的任务中，能根据任务调整对图像全局特征和局部特征的关注度。实验证明，本发现的方法相比传统方法能取得更好的结果。
-
公开(公告)号：CN115034363A
公开(公告)日：2022-09-09
申请号：CN202210639043.9
申请日：2022-06-08
Applicant: 大连理工大学
IPC: G06N3/04 , G06N3/08 , G06V10/74 , G06V10/764 , G06V10/82
Abstract: 本发明属于深度学习的对抗样本领域，提出了一种基于梯度先验的高效黑盒对抗攻击方法，该方法建立在基于决策的边界攻击方法之上；为了解决边缘梯度差异问题，通过联合双边滤波器利用数据相关的先验，保留了具有相似像素值的在空间接近的像素点梯度相似的优势，而且还使具有不同值的像素的梯度多样化。针对连续迭代梯度方向问题，同时将连续对抗样本之间的距离和连续步骤的梯度方向作为附加判断条件，生成新的梯度方向，然后与基于决策的攻击方法相结合。本发明具有更少的对目标模型的查询次数，能够对现有的深度学习模型造成更大威胁，从而推动业界开发出更加安全的神经网络架构。
-
公开(公告)号：CN115034363B
公开(公告)日：2024-08-06
申请号：CN202210639043.9
申请日：2022-06-08
Applicant: 大连理工大学
IPC: G06N3/0475 , G06N3/045 , G06N3/094 , G06V10/74 , G06V10/764 , G06V10/82
Abstract: 本发明属于深度学习的对抗样本领域，提出了一种基于梯度先验的高效黑盒对抗攻击方法，该方法建立在基于决策的边界攻击方法之上；为了解决边缘梯度差异问题，通过联合双边滤波器利用数据相关的先验，保留了具有相似像素值的在空间接近的像素点梯度相似的优势，而且还使具有不同值的像素的梯度多样化。针对连续迭代梯度方向问题，同时将连续对抗样本之间的距离和连续步骤的梯度方向作为附加判断条件，生成新的梯度方向，然后与基于决策的攻击方法相结合。本发明具有更少的对目标模型的查询次数，能够对现有的深度学习模型造成更大威胁，从而推动业界开发出更加安全的神经网络架构。
-
公开(公告)号：CN115314287A
公开(公告)日：2022-11-08
申请号：CN202210942026.2
申请日：2022-08-08
Applicant: 大连理工大学
Abstract: 本发明属于网络安全、数据挖掘、人工智能技术领域，公开了一种基于深度聚类的对抗异常检测系统，对高维复杂的多媒体数据进行异常检测。针对现有检测系统忽略正常数据与异常数据之间差异的问题，本发明的系统利用深度聚类模块对正常数据和异常数据在隐空间进行划分。通过深度聚类阶段，深度聚类模块可以学到正常数据与异常数据的簇状结信息。此外，该系统采用零和博弈思想，构建对抗异常检测模块学习正常数据在隐空间的特征分布信息。为了获得可靠的异常检测结果，系统采用自适应异常检测评估策略来判定输入数据是否存在异常。本发明在效率以及效果上均获得不错的表，为基于深度学习的异常检测系统提供一种新的框架。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
