公开(公告)号：CN119396705A

公开(公告)日：2025-02-07

申请号：CN202411131751.7

申请日：2024-08-16

Applicant: 支付宝(杭州)信息技术有限公司 ,  南方科技大学

Inventor： 香佳宏 ,  吴明远 ,  狄鹏 ,  陈昆秋 ,  张煜群

IPC: G06F11/3668

Abstract: 本说明书实施例提供一种模糊测试的方法及装置，在模糊测试的方法中，从用于对目标程序进行模糊测试的当前种子输入集合中，选取目标种子输入。从该目标种子输入独有的定制词典中选取第一标记值，并基于该第一标记值，对目标种子输入进行变形，得到变异种子输入。判断变异种子输入对应的第二执行路径，是否属于当前种子输入集合中各个种子输入对应的各条执行路径之一。若判断结果指示第二执行路径不属于各条执行路径之一，则将变异种子输入添加到当前种子输入集合，以用于下一轮迭代。

公开(公告)号：CN116363377A

公开(公告)日：2023-06-30

申请号：CN202310254059.2

申请日：2023-03-09

Applicant: 南方科技大学

Inventor： 赵磊 ,  张煜群

IPC: G06V10/40 ,  G06V10/82 ,  G06N3/08 ,  G06N3/048 ,  G06N3/0464

Abstract: 本发明涉及图像处理技术领域，具体是涉及基于长距离注意力机制的卷积特征增强方法和相关装置。本发明首先对图像的原始特征图应用点卷积，得到图像的内在特征图，然后对内在特征图应用长距离注意力机制，得到初始增强特征图，之后基于内在特征图对初始增强特征图应用深度卷积，进一步增强图像的特征，得到线性增强特征图，最后根据线性增强特征图和内在特征图，得到图像的目标增强特征图。从上述分析，本发明的DFC模块是对内在特征图进行增强而不是对图像的原始特征图进行增强，使得DFC模块作用于Ghost增强模块外部，也就是DFC模块和Ghost增强模块构成并列关系，从而提升了增强图像特征的处理速度。

公开(公告)号：CN116597241A

公开(公告)日：2023-08-15

申请号：CN202310420692.4

申请日：2023-04-14

Applicant: 南方科技大学

Inventor： 赵磊 ,  张煜群

IPC: G06V10/77 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明公开一种多尺度线性特征生成系统及方法，所述系统中降维处理模块用于对输入的输入特征图进行逐点卷积降维处理，并将得到的第一内在特征图传输至坐标注意力增强模块；坐标注意力增强模块用于在X轴方向上和Y轴方向上分别依次对第一内在特征图进行采样、特征提取和映射处理后，将得到的第一权重因子和第二权重因子与第一内在特征图进行乘积处理，并将得到的第二内在特征图传输至多尺度特征生成模块；多尺度特征生成模块用于对第二内在特征图依次进行分组膨胀卷积和通道拼接处理得到输出特征图。通过多尺度特征生成模块利用不同扩张率对第二内在特征图进行分组膨胀卷积后，进行通道拼接处理得到输出特征图，从而生成丰富且多样化的线性特征。

公开(公告)号：CN117055939A

公开(公告)日：2023-11-14

申请号：CN202210468459.9

申请日：2022-05-03

Applicant: 南方科技大学 ,  邹佳

Inventor： 张煜群 ,  邹佳

IPC: G06F8/70

Abstract: 本发明提供了基于Transformer的代码类型辅助的代码注释自动生成技术，包括以下步骤：S1、获取需要生成注释的代码；S2、使用AST解析代码结构，并提取每个代码token对应的代码类型；S3、对代码token进行切分，并保持切分后子token的代码类型一致；S4、结合代码token编码、代码类型编码与Transformer的位置编码，输入Transformer模型，得到代码注释。此方法可以在最小化增加计算资源开支的情况下，帮助Transformer通过代码token的类型准确捕获代码的语法结构，提升代码注释生成质量。

公开(公告)号：CN116385847A

公开(公告)日：2023-07-04

申请号：CN202310271660.2

申请日：2023-03-09

Applicant: 南方科技大学

Inventor： 赵磊 ,  张煜群

IPC: G06V10/82 ,  G06V10/40 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开一种轻量化自校正卷积特征增强系统及方法，所述系统包括：特征提取模块、轻量化自校正卷积模块和特征合并模块；特征提取模块用于对输入特征图中的第一特征信息进行特征提取操作，并将第一特征信息分别传输至轻量化自校正卷积模块和特征合并模块；轻量化自校正卷积模块用于对第一特征信息进行增强，并将得到的第二特征信息传输至特征合并模块；特征合并模块用于将第一特征信息与第二特征信息进行相加后，与第一特征信息进行合并得到输出特征图。通过轻量化自校正卷积模块将从输入特征图中提取出来的第一特征信息进行增强后，与第二特征信息进行相加及合并得到输出特征图，使得神经网络变得轻量化，且提升了系统的特征识别能力。