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

Inventor： 张宪超 ,  慕杰 ,  刘晗 ,  梁文新 ,  刘馨月 ,  李远刚

IPC: H04L9/40 ,  G06F18/23 ,  G06F18/22 ,  G06N3/094 ,  G06N3/0475 ,  G06N3/045

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：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

Inventor： 张宪超 ,  慕杰 ,  刘晗 ,  梁文新 ,  刘馨月 ,  李远刚

IPC: H04L9/40 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

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：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

Inventor： 张宪超 ,  双翼飞 ,  张晓彤 ,  刘晗 ,  梁文新 ,  刘馨月 ,  李远刚

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。